arXiv cs.MA· Sagar Srinivas Sakhinana, Venkataramana Runkana·· 10 天前AI 评分30
面向自主云 MLOps 的前置全栈工程：证据门控多智能体框架
Forward-Deployed Full-Stack Engineering for Autonomous Cloud MLOps
AI 导读
研究者提出一种证据门控多智能体框架，可将自然语言描述的 MLOps 云工程任务转化为经过验证的代码仓库与云端部署。该框架结合图工程、循环工程与智能体 harness 工程，由有状态 Graph Orchestrator 协调仓库生成、审查、执行、验证、发布与监控等专用智能体，并管理证据门、重试边界与回滚路径。
正文 · AI 翻译
摘要：在各行各业中，机器学习系统支撑着从预测、异常检测到预测、优化和调度等各类应用，然而要将这些系统投入运营，需要协调应用开发、模型流水线、云基础设施、安全、部署、监控、再训练、恢复和回滚。我们提出了一种证据门控的多智能体框架，用于将自然语言的 MLOps 云工程任务转化为经过验证的代码仓库和可运营的云部署。该框架结合了图工程、循环工程和智能体框架工程。一个有状态的图编排器协调用于仓库生成、审查、执行、验证、发布和监控的专用智能体，同时管理工作流依赖、证据门、重试边界、恢复路径和终止。只有当其所需谓词得到可验证的执行或运行时证据支持时，才进行有后果的生命周期转换。验证失败会激活有界反思、修复和重新验证，而失败、漂移、退化或策略违规的运行时证据可以触发有界适应、恢复或回滚。智能体框架工程通过受控能力和隔离执行环境来约束仓库生成、审查和修复、制品执行以及云操作。我们在 Google Cloud Platform 上实现了该框架，并评估了仓库完整性、受控执行、证据门控转换、云晋升和有界恢复。我们的实验结果表明，该框架可防止不受支持的生命周期转换，并推动每次运行走向经过验证的可运营部署或可审计的终端失败。
| 评论： | 无 |
| 主题： | 多智能体系统（cs.MA）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2608.29615 [cs.MA] |
| （或 arXiv:2608.29615v2 [cs.MA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.29615 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Sagar Srinivas Sakhinana [查看电子邮件]
[v1]
2026年8月30日星期日 07:13:10 UTC（40 KB）
[v2]
2026年10月7日星期三 05:58:49 UTC（228 KB）
来源：arXiv cs.MA · arxiv.org