# RCLAgent RCLAgent は、[[Peking University]]([[Lingzhe Zhang]]・[[Tong Jia]]・[[Kangjin Wang]]・[[Chiming Duan]]・[[Minghua He]]・[[Ying Li]])と [[Huawei Theory Lab]] が提案するマイクロサービス向け根本原因特定(RCL)フレームワークである。原論文([[@2026__TDSC__Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought]]、IEEE TDSC 採録)によれば、トレースグラフの各スパンに専任エージェント(Dedicated Agent)を割り当て、グラフトポロジに沿ってエージェントを再帰的かつ並列に組織する Multi-Agent Recursion-of-Thought(RoT)を核とする。各エージェントは Log Tool・Metric Tool による Self-State Verification と、子エージェントからの下流証拠を統合する Evidence Consolidation を行い、固定容量の Agents Pool の下で並列実行される。最終診断は Root-Level Diagnosis Report(再帰的集約の結論)と Global Evidence Graph(全スパンの自己状態証拠を保持するボトムアップな証拠基盤)を Diagnosis Synthesizer が統合して生成する。AIOPS 2022・Augmented-TrainTicket・RCAEval の3ベンチマークで mABC・GALA など既存 SOTA を精度・効率の両面で上回った。(Source: [[@2026__TDSC__Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought]] §IV) > [!contradiction] [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]] との記述の食い違い > [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]](§II)は RCLAgent を「data agent(trace filtering・n-sigma detection)と thought agent(trace-tree traversal・クロスモーダル推論)を initial-reasoning・critical-reflection・final-review の3フェーズでオーケストレーションする」フレームワークと説明していた。しかし RCLAgent 原論文([[@2026__TDSC__Towards In-Depth Root Cause Localization for Microservices with Multi-Agent Recursion-of-Thought]])にはこれらの用語("data agent"・"thought agent"・"initial-reasoning"・"critical-reflection"・"final-review")は登場せず、実際のアーキテクチャは Dedicated Agent・Agents Pool・Root Agent・Global Evidence Graph・Diagnosis Synthesizer から成る。引用元が同著者群の先行プレプリント(arXiv:2508.20370「Adaptive Root Cause Localization for Microservice Systems with Multi-Agent Recursion-of-Thought」、未確認)を参照した可能性、または引用元側の簡略化・誤記の可能性があるが、本 ingest では確定できていない。下記の OpenRCA 上での Accuracy@1=0.00 という評価結果も、引用元が実際にどのバージョンの RCLAgent を再実装・評価したかによって解釈が変わりうる点に留意する。 - クリーンな単一リクエスト解析を前提としており、複数障害が併発しうる 30 分ウィンドウを想定していない。ウィンドウ間の汚染(cross-window contamination)への対処を欠き、制約充足による確定的な排除ではなくランク付きリストを出力する。(§II) - [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]] の評価(GPT-5.2, Market cloudbed-1)では Accuracy@1 = 0.00。主診断ツールが span tree traversal であるため、[[OpenRCA]] の正解の多くを占めるノードレベル障害(node-2・node-4・node-6 等、インフラノードはトレーススパンを生成しない)を検知できない。また pod レベルの正解識別子(例: `recommendationservice2-0`)に対しサービスレベル名(例: `productcatalogservice`)を出力するため exact-match スコアリングで不正解になる。予測は container network latency のような汎用的な理由に偏り、正解が含む read I/O load・packet corruption・node CPU spike などの多様な障害種別を捉えられない。(Source: [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]] Appendix B-B) ## 関連 - 本ソース: [[@2026__arXiv__How Far Can Root Cause Analysis Go on Real-World Telemetry Data?]] - 対比: [[GALA]](同ベンチマークで Accuracy@1 = 2.56、共に OpenRCA 上で低性能) - 関連ベンチマーク: [[OpenRCA]] - 親概念: [[LLMによる根本原因分析]] / [[マルチエージェント協調]]