# GALA GALA(Graph-Augmented Large Language Model Agentic Workflow)は、[[University of Toronto]] の [[Yifang Tian]]・[[Yaming Liu]]・[[Zichun Chong]]・[[Zihang Huang]]・[[Hans-Arno Jacobsen]] が提案したマイクロサービス RCA フレームワーク(arXiv 2025-08-17)。 統計的因果推論を初期仮説として生成し、マルチモーダルテレメトリ(メトリクス・ログ・トレース)を「統一表現に圧縮せず保持する」モダリティ保存型設計のもとで、LLM エージェントが反復的に根本原因を絞り込む 4 フェーズ構成を採る。 ## 構成 1. **フェーズ I: 初期仮説生成** — メトリクスベース因果推論 + [[TWIST]]トレースベーススコアリングで 2 系統の初期ランキングを生成 2. **フェーズ II: ポッド中心診断合成** — 各候補ポッドのテレメトリを「時系列性能プロファイル・サービス依存サブグラフ・エラー中心ログ抽象化」の診断バンドル D_i に変換 3. **フェーズ III: LLM エージェント推論・再順位付け** — Re-ranking Agent(コントローラー)と Deep Dive Agent(ワーカー)が ReAct ループで反復的に仮説を精緻化(最大 6 イテレーション) 4. **フェーズ IV: 最終出力** — Remediation Agent が最終ランキング・インシデント要約・対応推奨事項を生成 ## 実験成績 - RCAEval RE2-OnlineBoutique(90 シナリオ)で AC@1 最大 42.22%(GALA(BARO, GPT-4.1-mini)) - ベースライン BARO(14.44%)・CausalRCA(26.67%)を大幅に上回る - SURE-Score 平均 4.31(ベースライン 3.78)——因果的整合性(4.42 vs 3.41)とインシデント特異性(4.30 vs 3.10)で特に優位 ## 他ベンチマークでの評価 [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]]([[QPIAI]] India)は、GALA を著者オリジナルの [[RCAEval]] 評価とは異なる [[OpenRCA]] Market cloudbed-1 上で再評価した。GALA は Accuracy@1 = 2.56 とほぼ 0 にとどまり、フェーズ 1 の因果グラフランキングが OpenRCA の短くノイズの多いインシデントウィンドウ下で信頼できず、真の根本原因ではなく下流症状に支配されたランキングを生成した。同一ベンチマーク・同一モデル(GPT-5.2)で評価された [[RCLAgent]](Accuracy@1 = 0.00)と共に、RCAEval で高精度だった LLM ベースマルチエージェント手法が OpenRCA の高難度・低観測性設定では大きく性能低下することを示す事例となった。(Source: [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]] Table I, §V-B) ## 関連 - ソース: [[@2025__arXiv__GALA - Can Graph-Augmented Large Language Model Agentic Workflows Elevate Root Cause Analysis]] / [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]] - 開発者: [[Yifang Tian]] / [[Hans-Arno Jacobsen]] / [[University of Toronto]] - 評価ベンチマーク: [[RCAEval]] / [[OpenRCA]] - 関連手法: [[TWIST]] / [[SURE-Score]] - 対比: [[RCLAgent]](同じ OpenRCA 評価で共に低性能) - 親概念: [[LLMによる根本原因分析]] / [[グラフベースRCA]] / [[マルチエージェント協調]]