Recoleta Item Note
REGAL: A Registry-Driven Architecture for Deterministic Grounding of Agentic AI in Enterprise Telemetry
REGAL提出一种面向企业遥测的代理式AI落地架构：先用确定性数据管道把原始遥测压缩成可复现的语义化指标，再让LLM只通过注册表编译出的受控工具访问这些结果。其核心价值不在新学习算法，而在于把“语义定义、工具接口、治理策略”统一为可版本化的架构约束。
agentic-aienterprise-telemetrymcp-toolsdeterministic-groundingregistry-driven-architecture
Summary
REGAL提出一种面向企业遥测的代理式AI落地架构：先用确定性数据管道把原始遥测压缩成可复现的语义化指标，再让LLM只通过注册表编译出的受控工具访问这些结果。其核心价值不在新学习算法，而在于把“语义定义、工具接口、治理策略”统一为可版本化的架构约束。
Problem
- 企业工程遥测来自版本控制、CI/CD、缺陷跟踪和可观测平台，数据量大、异构且持续演化，直接把原始事件交给LLM会造成上下文超载和高token成本。
- 组织内部语义（如“P1”“回归”“候选发布”）是本地定义的；若仅靠概率式检索或RAG，模型容易误解语义并产生幻觉。
- 手写工具/API会随着schema和指标定义变化而发生tool drift，导致接口说明、实际执行与治理策略不一致，影响审计与合规。
Approach
- 采用确定性—概率性分离：所有遥测先经可重放、幂等、版本化的Medallion ELT流程，从Bronze/Silver加工为面向AI消费的Gold语义工件；LLM只能消费这些工件，不能反向改变计算逻辑。
- 引入metrics registry作为单一事实源：在注册表中声明指标标识、语义说明、检索逻辑、平台范围、ACL与缓存策略。
- 通过registry-driven compilation自动把声明式指标定义编译成MCP工具，包括工具schema、描述、访问控制和缓存行为，从而把“interface-as-code”落到运行时。
- 通过bounded action space限制代理只能调用有限的、预编译的语义工具，而不是生成任意SQL或访问原始日志，以降低幻觉面和治理复杂度。
- 支持pull + push双路径：历史分析通过工具按时间窗拉取Gold指标；实时监控通过Gold层变更流触发告警和代理工作流，二者共享同一语义边界。
Results
- 论文明确说明这是一项系统架构与原型验证工作，没有报告标准基准数据集上的精确量化对比结果，也不提出新的学习算法。
- 原型与案例研究声称验证了该架构在可行性、延迟、token效率和治理性上的价值；文中最具体的数字性表述是：在Gold工件可放入内存且中等并发负载下，聚合指标检索可保持sub-second（亚秒级），命中缓存时响应几乎即时。
- 文中进一步声称，在上述原型场景中，模型推理延迟而非数据检索延迟成为端到端交互的主导部分，支持其“先确定性计算、后概率推理”的设计主张。
- 主要突破性主张不是SOTA指标，而是架构层面的：将注册表作为单一事实源、将编译步骤作为工具一致性与治理执行机制、并把确定性Gold工件作为LLM唯一输入边界，以缓解context overload、local semantics和tool drift三类企业落地痛点。
Link
Built with Recoleta
Run your own research radar
Turn arXiv, Hacker News, OpenReview, Hugging Face Daily Papers, and RSS into local Markdown, Obsidian notes, Telegram digests, and a public site.