Il Layer Causale Causely Migliora l'Affidabilità degli Agenti SRE

Un recente preprint su arXiv presenta Causely, un layer di intelligenza causale progettato per migliorare gli agenti AI nei processi di Site Reliability Engineering (SRE). Questo sistema riduce il carico di interpretazione semantica che sorge quando gli agenti interpretano i dati ambientali dalla telemetria grezza durante le query, portando a un aumento del consumo di token, ritardi e inferenze inaffidabili. Causely offre una visione strutturata della topologia dell'ambiente, delle dipendenze degli attributi e dei legami causali basata su un framework ontologico. Convertendo la telemetria grezza in un modello dinamico e interrogabile, fornisce agli agenti AI le necessarie intuizioni semantiche e causali per una diagnosi efficace dei problemi, la valutazione dell'impatto e azioni sicure in produzione. I ricercatori hanno testato Causely in uno studio di benchmark controllato utilizzando un'applicazione demo OpenTelemetry con 24 microservizi e guasti iniettati, confrontando quattro configurazioni di agenti: Claude Code, OpenAI Codex, HolmesGPT con Sonnet e HolmesGPT con backend Gemini. I risultati hanno rivelato che gli agenti che utilizzano Causely hanno superato le configurazioni di base sia in accuratezza che in latenza per la diagnosi dei guasti e la valutazione dell'impatto. Il paper è disponibile su arXiv con l'identificatore 2605.18327.