AI根本原因分析がモデルの推論からコンテキストエンジニアリングへ移行

増加傾向にある可観測性エンジニアの間では、大規模言語モデルの推論能力は、もはやAI支援による根本原因分析（RCA）のボトルネックではなく、より差し迫った問題は、モデルに渡すデータを決定する処理パイプラインであるという見方が広がっている。AIによるRCAの取り組みの大半は、モデルに自律的に調査するためのツールを与えるエージェントベースの設計と、シグナル間の相関関係を事前に確立し、パッケージ化されたコンテキストを提供する決定論的な設計の2つのカテゴリに分類される。Corootの研究（エンジニアのNikolay Sivko氏が主導）では、プロセスを「提示されたデータに対する推論」と「モデルに渡すデータを決定するデータ収集フレームワーク」の2つのタスクに分割している。Corootのパイプラインは、シグナルを相関させて所見にまとめ、それらを単一の焦点を絞ったコンテキストとしてモデルに渡すことで、エージェントのループを回避し、エラーをモデル自体に帰属させることができる。Sivko氏は、Chaos Mesh NetworkChaosを使用して、ディレクトリサービスとそのPostgresデータベース間にレイテンシを注入するシナリオを構築し、遅いクエリと502エラーを引き起こし、誤解を招くシグナルを発生させた。同氏は、同じプロンプト（約9,800トークン）で11のモデルをテストし、それぞれに根本原因、因果連鎖、即時の修正を求めた。最先端モデルであるClaude Opus 4.8、GPT-5.5、Gemini 3.1 Proは、実験を特定し、それを削除してcronジョブも削除する必要があることを特定して、テストに合格した。小規模モデルの中では、Gemma 4 31Bが根本原因を特定した唯一のセルフホスト型モデルであり、より大規模なQwen3.6 35BとQwen3 Coder Nextは失敗した。エージェントベースのアプローチには、予期しないシグナルを捕捉できるなどの利点があるが、ZenMLやIncident.ioの事例に見られるように、本番環境でのデバッグ容易性の問題に悩まされている。現在、多くの実務担当者は、信頼性とトークンコストの低さから、狭いLLMステップを備えた決定論的ワークフローを好んでいる。Sivko氏は、相関分析が呼び出しの前に行われるため、最先端モデルへの単一の短い呼び出しのコストは数セントに過ぎず、推論部分は「本質的に解決済み」であり、現在の焦点は、適切でコンパクトなコンテキストを準備することにあると述べている。これは、Anthropic、LangChain、Mezmoからのガイダンスが、LLMベースの推論と可観測性のために、最小限で高シグナルのコンテキストセットの重要性を強調している、より広範なコンテキストエンジニアリングのトレンドと一致している。