RATED (arXiv:2610.13889): Reliability-Aware AI Agent Tool Retrieval via Execution Dynamics, EcoAgent Benchmark 5.172 Tools, dan Solusi 2.9% Fault Selection Rate di Bawah Pemadaman API Ekstrem
Analisis arsitektur sistemik riset ACM CIKM 2026 / arXiv:2610.13889 (Weiliang Chen & Song Liao): Mengapa pendekatan tool retrieval semantik konvensional (seperti OpenAI Ada-002, BGE-M3, ToolLLM, atau SPLADE-v3) mengalami degradasi katastropik saat tool atau API mengalami kegagalan runtime? Framework RATED memadukan frozen dual-encoder DRAGON dengan contrastive fine-tuning dan modul contextual bandit (Discounted LinUCB) yang mengadaptasi ranking secara real-time dari feedback eksekusi biner. Pada benchmark EcoAgent (5.172 tool nyata dan 210.000 query-tool pairs), RATED mencatat peningkatan MRR relatif +52.2% di atas ToolLLM API retriever, memangkas Fault Selection Rate dari 86.2% menjadi 2.9% di tengah skenario pemadaman API 30%, serta mempertahankan latensi overhead ultra-rendah di bawah 0.2 ms.

Riset frontier dari ACM International Conference on Information and Knowledge Management (CIKM 2026, Weiliang Chen & Song Liao, arXiv:2610.13889) mengungkap kelemahan fatal pada sistem orkestrasi AI Agent: kebutaan semantik terhadap dinamika keandalan eksekusi alat (tool availability). Retriever kontemporer (seperti OpenAI Text-Embedding Ada-002, BGE-M3, SPLADE-v3, dan ToolLLM API retriever) hanya mencocokkan kemiripan teks kueri pengguna dengan deskripsi API, sehingga saat API target mengalami outage, rate-limiting, atau kegagalan internal, agen terus memilih tool yang rusak berulang kali (menghasilkan Fault Selection Rate hingga 86.2%). Memperkenalkan RATED (Reliability-Aware Tool Retrieval via Execution Dynamics): arsitektur retrieval dua tahap terpisah (decoupled two-stage) yang menggabungkan frozen dual-encoder DRAGON dengan Discounted LinUCB Contextual Bandit dan Tri-Signal Static Reliability Prior. Dievaluasi pada EcoAgent Benchmark (5.172 tool nyata dari LangChain, CrewAI, LlamaIndex, dan n8n), RATED mencatat lonjakan MRR relatif +52.2% di atas ToolLLM API retriever, mereduksi Fault Selection Rate dari 86.2% menjadi 2.9% saat terjadi outage API 30%, dengan penambahan latensi inferensi ultra-rendah di bawah 0.18 ms.
1. Masalah Utama: "Blind Spot" Semantik Statis dan Kegagalan Eksekusi Runtime Agen AI
Seiring berkembangnya ekosistem LLM berbasis agen yang terintegrasi dengan ribuan REST API eksternal (Tool-Use / Function Calling), bottleneck terbesar dalam keandalan agen bergeser dari kapasitas penalaran model menuju akurasi pengambilan alat (tool retrieval).
Secara tradisional, pencarian tool dirumuskan sebagai masalah IR (Information Retrieval) statis menggunakan kesamaan semantik vektor:
Namun, di lingkungan produksi nyata (production environments), tool bukanlah dokumen pasif yang selalu tersedia. Tool adalah endpoint dinamis yang rentan terhadap:
- Down-time & 5xx Server Errors: Server penyedia pihak ketiga mati atau mengalami crash.
- Credential Invalidation & Auth Expiry: Token OAuth atau API key kadaluwarsa di tengah sesi panjang.
- Rate Limiting (429 Too Many Requests): Kuota pemanggilan habis saat beban traffic tinggi.
- Schema Drift & Deprecation: Struktur payload input berubah tanpa pembaruan deskripsi OpenAPI yang sinkron.
Ketika kegagalan ini terjadi, retriever semantik statis tetap memberikan skor kecocokan tertinggi untuk alat yang rusak karena deskripsi semantiknya tetap relevan 100%. Agen pun terjebak dalam catastrophic retry loops, memboroskan token LLM, dan menggagalkan seluruh alur kerja otonom.
2. Benchmark EcoAgent: 5.172 Tools Nyata Lintas 4 Framework Utama
Guna mengevaluasi perilaku retrieval di bawah ketidakpastian operasional nyata, para peneliti menyusun EcoAgent Benchmark yang mengagregasikan 5.172 definisi tool nyata dari empat platform open-source terkemuka:
Integrasi utilitas cloud, web scraping, dan parsial SDK.
Toolset multi-agent kolaboratif dan otomasi tugas terdistribusi.
Data connectors, vector index queries, dan ingestion pipelines.
Webhook integrations, CRM actions, dan database connectors.
Benchmark ini dibagi menjadi dua subset komplementer:
- EcoAgent-Syn (69.501 kueri sintetik): Dihasilkan menggunakan Gemma-3-1b dengan hard negatives dari SBERT untuk melatih modul semantik agar kebal terhadap korelasi palsu.
- EcoAgent-Real (210.000+ pasangan query-tool): Kueri dunia nyata dengan protokol pengujian kegagalan terinjeksi (injected failure rate 20% dan 30%) untuk menguji daya tahan terhadap pemadaman sistem.
3. Dekonstruksi Arsitektur RATED: Two-Stage Decoupled Hybrid System
Solusi yang ditawarkan RATED memisahkan secara tegas dua tanggung jawab komputasi:
- Tahap 1 — Semantic Perception Module: Menggunakan arsitektur DRAGON Dual-Encoder (fQ untuk query, fT untuk tool documentation) yang telah di-fine-tune secara contrastive. Model ini menghasilkan representasi CLS ternormalisasi L2. Encoders di-freeze sepenuhnya saat deployment, memungkinkan penambahan tool baru hanya dengan mengekstrak embedding dokumentasi tanpa melatih ulang model.
- Tahap 2 — Reliability-Aware Re-ranking: Mengambil top-K kandidat (K = 10) dari Tahap 1, lalu melakukan re-ranking dinamis menggunakan kombinasi Tri-Signal Static Prior dan Discounted LinUCB Contextual Bandit berbasis umpan balik eksekusi runtime biner yt ∈ {0, 1}.
4. Formulasi Matematis: Tri-Signal Static Prior & Discounted LinUCB
Untuk mengatasi masalah cold-start pada tool baru yang belum memiliki riwayat eksekusi, RATED mendefinisikan Static Reliability Prior dari metadata katalog:
Di mana λ1 = 0.5, λ2 = 0.3, λ3 = 0.2. Komponen rcons(a) mengukur cosine similarity antara embedding nama tool dan deskripsinya, wsrc memberi bobot kredibilitas repositori sumber, dan rqual memetakan panjang dokumentasi melalui fungsi logistik.
Saat eksekusi berlangsung, preferensi alat diperbarui secara real-time via Discounted LinUCB dengan representasi kovarian diagonal untuk komputasi O(d):
Skor akhir kemudian disintesis melalui formula Hybrid Fusion:
Berdasarkan penyetelan grid sweep pada validation set, konfigurasi optimal tercapai pada w1 = 0.75, w2 = 0.15, w3 = 0.10 dengan faktor diskon non-stasioner γ = 0.95 dan koefisien eksplorasi α = 0.10.
5. Hasil Empiris & Analisis Benchmark Komparatif
Tabel berikut merangkum metrik performa retrieval pada EcoAgent-Syn dan EcoAgent-Real di bawah kondisi normal dan pengujian stress-test kegagalan API:
| Arsitektur Retrieval | MRR (Syn) | Recall@1 (Syn) | MRR (Real) | FSR (Outage 20%) | FSR (Outage 30%) | Post-Fail SR |
|---|---|---|---|---|---|---|
| BM25 Baseline | 0.235 | 0.178 | 0.169 | 88.4% | 92.1% | 11.2% |
| ToolLLM API Retriever | 0.724 | 0.666 | 0.406 | 82.4% | 86.2% | 22.4% |
| OpenAI Ada-002 | 0.790 | 0.736 | 0.670 | 79.1% | 84.5% | 24.1% |
| SPLADE-v3 Sparse | 0.754 | 0.689 | 0.626 | 76.8% | 81.9% | 26.5% |
| DRAGON (Pretrained) | 0.751 | 0.690 | 0.518 | 18.6% | 21.2% | 45.7% |
| RATED (Full Architecture) | 0.845 | 0.804 | 0.618 (+52.2% vs ToolLLM) | 2.5% | 2.9% (-30x vs ToolLLM) | 82.8% |
Temuan utama dari hasil empiris ini mencakup:
- Pemisahan Semantik dan Reliabilitas Mutlak Diperlukan: Model dengan skor offline tinggi seperti Ada-002 dan SPLADE-v3 sama sekali tidak berdaya saat alat runtime down, terus merekomendasikan tool mati pada 84%+ kasus.
- Reduksi FSR 30x Lipat: RATED Full memangkas rasio pemilihan tool rusak dari 86.2% menjadi 2.9%, mengamankan tingkat penyelesaian tugas (Post-Fail Success Rate) di angka 82.8%.
6. Analisis Latensi & Efisiensi Komputasi
Salah satu argumen klasik penolakan adaptasi online pada agent loops adalah latensi komputasi. RATED membuktikan bahwa pendekatan bandit terdekupel memiliki profil latensi yang luar biasa efisien:
Latensi inferensi embedding murni tanpa adaptasi umpan balik runtime.
Hanya menambah +0.172 ms overhead berkat representasi kovarian diagonal O(d).
+14.6 ms overhead akibat sinkronisasi gradien berkala dan lock parameter.
7. Implementasi Produksi: TypeScript Engine untuk RATED Runtime Adapter
Berikut adalah implementasi referensi modul koordinasi RATED berbasis TypeScript yang mengintegrasikan registrasi tool, evaluasi static prior, re-ranking LinUCB, dan pembaruan umpan balik eksekusi:
// Production Implementation: RATED Runtime Execution Engine & Contextual Bandit Adapter
// Mengimplementasikan Two-Stage Decoupled Retrieval, Tri-Signal Static Prior,
// Discounted LinUCB Online Re-ranking, dan Feedback Dynamic Updates
// Berdasarkan formulasi formal arXiv:2610.13889 (ACM CIKM 2026)
export interface ToolMetadata {
id: string;
name: string;
description: string;
platform: 'official' | 'langchain' | 'crewai' | 'llamaindex' | 'n8n' | 'custom';
tags: string[];
}
export interface ToolExecutionContext {
queryEmbedding: number[]; // e_q \in R^d
selectedToolId: string;
executionSuccess: boolean; // y_t \in {0, 1}
timestamp: number;
}
export interface BanditArmState {
A_diag: number[]; // Diagonal covariance matrix representation for O(d) scoring
b_vec: number[]; // Bias vector b_a \in R^d
usageCount: number;
lastExecutedTimestamp: number;
}
export interface RATEDConfig {
d_dim: number; // Embedding dimension (default: 768 for DRAGON)
topKCandidates: number; // K candidate pool from semantic retrieval (default: 10)
discountFactorGamma: number; // \gamma: discount factor for non-stationary outage recovery (default: 0.95)
explorationAlpha: number; // \alpha: exploration trade-off coefficient (default: 0.10)
weights: {
w1_semantic: number; // w1: Semantic similarity weight (default: 0.75)
w2_bandit: number; // w2: Online contextual bandit score weight (default: 0.15)
w3_static: number; // w3: Metadata static prior weight (default: 0.10)
};
staticPriorLambdas: {
lambda1_cons: number; // \lambda1: Name-description consistency (default: 0.50)
lambda2_source: number; // \lambda2: Source platform credibility (default: 0.30)
lambda3_quality: number; // \lambda3: Documentation length quality (default: 0.20)
};
}
export class RATEDExecutionEngine {
private config: RATEDConfig;
private arms: Map = new Map();
private staticPriors: Map = new Map();
constructor(config?: Partial) {
this.config = {
d_dim: config?.d_dim ?? 768,
topKCandidates: config?.topKCandidates ?? 10,
discountFactorGamma: config?.discountFactorGamma ?? 0.95,
explorationAlpha: config?.explorationAlpha ?? 0.10,
weights: {
w1_semantic: config?.weights?.w1_semantic ?? 0.75,
w2_bandit: config?.weights?.w2_bandit ?? 0.15,
w3_static: config?.weights?.w3_static ?? 0.10,
},
staticPriorLambdas: {
lambda1_cons: config?.staticPriorLambdas?.lambda1_cons ?? 0.50,
lambda2_source: config?.staticPriorLambdas?.lambda2_source ?? 0.30,
lambda3_quality: config?.staticPriorLambdas?.lambda3_quality ?? 0.20,
},
};
}
/**
* 1. Inisialisasi Static Reliability Prior r_static(a)
* Formula Eq. (4) & (5):
* r_cons = cos(f_Enc(name), f_Enc(desc))
* r_static = lambda1 * r_cons + lambda2 * w_src + lambda3 * r_qual
*/
public registerTool(tool: ToolMetadata, nameDescCosine: number): void {
const { lambda1_cons, lambda2_source, lambda3_quality } = this.config.staticPriorLambdas;
// Platform credibility weight w_src
const sourceWeights: Record = {
official: 1.0,
langchain: 0.9,
crewai: 0.9,
llamaindex: 0.9,
n8n: 0.8,
custom: 0.6,
};
const w_src = sourceWeights[tool.platform] ?? 0.6;
// Documentation quality r_qual (logistic scaling based on normalized length)
const normLen = Math.min(1.0, tool.description.length / 500);
const r_qual = 1 / (1 + Math.exp(-4 * (normLen - 0.5)));
// Composite static prior
const r_static = (lambda1_cons * Math.max(0, nameDescCosine)) +
(lambda2_source * w_src) +
(lambda3_quality * r_qual);
this.staticPriors.set(tool.id, r_static);
// Inisialisasi arm bandit dengan cold-start bias b_a <- r_static * (1 / sqrt(d))
const initialBias = r_static / Math.sqrt(this.config.d_dim);
this.arms.set(tool.id, {
A_diag: new Array(this.config.d_dim).fill(1.0), // I_d diagonal
b_vec: new Array(this.config.d_dim).fill(initialBias),
usageCount: 0,
lastExecutedTimestamp: Date.now(),
});
}
/**
* 2. Menghitung Skor LinUCB Bandit S_bandit(x_t, a)
* Formula Eq. (6), (7), & (8):
* theta_a = A_a^(-1) * b_a
* S_bandit = theta_a^T * x_t + alpha * sqrt(x_t^T * A_a^(-1) * x_t)
*/
public computeBanditScore(toolId: string, queryEmbedding: number[]): number {
const arm = this.arms.get(toolId);
if (!arm) return 0.5;
const { explorationAlpha, d_dim } = this.config;
let expectedReward = 0;
let variance = 0;
for (let i = 0; i < d_dim; i++) {
const invA = 1.0 / arm.A_diag[i];
const theta_i = invA * arm.b_vec[i];
const x_i = queryEmbedding[i] || 0;
expectedReward += theta_i * x_i;
variance += x_i * invA * x_i;
}
const ucbBonus = explorationAlpha * Math.sqrt(Math.max(0, variance));
return expectedReward + ucbBonus;
}
/**
* 3. Hybrid Fusion Re-ranking
* Formula Eq. (9):
* S_final(q_t, a) = w1 * S_sem(q_t, a) + w2 * S_bandit(x_t, a) + w3 * r_static(a)
*/
public rankCandidates(
candidates: Array<{ toolId: string; semanticScore: number }>,
queryEmbedding: number[]
): Array<{ toolId: string; finalScore: number; semanticScore: number; banditScore: number; staticPrior: number }> {
const { w1_semantic, w2_bandit, w3_static } = this.config.weights;
return candidates
.map((c) => {
const banditScore = this.computeBanditScore(c.toolId, queryEmbedding);
const staticPrior = this.staticPriors.get(c.toolId) ?? 0.5;
const finalScore = (w1_semantic * c.semanticScore) +
(w2_bandit * banditScore) +
(w3_static * staticPrior);
return {
toolId: c.toolId,
finalScore,
semanticScore: c.semanticScore,
banditScore,
staticPrior,
};
})
.sort((a, b) => b.finalScore - a.finalScore);
}
/**
* 4. Online Feedback Update (Discounted LinUCB)
* Formula Eq. (10) & (11):
* A_a <- gamma * A_a + (1 - gamma) * I_d + x_t * x_t^T
* b_a <- gamma * b_a + y_t * x_t
*/
public updateExecutionFeedback(
toolId: string,
queryEmbedding: number[],
success: boolean
): void {
const arm = this.arms.get(toolId);
if (!arm) return;
const { discountFactorGamma: gamma, d_dim } = this.config;
const y_t = success ? 1.0 : 0.0;
for (let i = 0; i < d_dim; i++) {
const x_i = queryEmbedding[i] || 0;
// Discounted update menjaga bobot arm adaptif terhadap error temporal
arm.A_diag[i] = (gamma * arm.A_diag[i]) + ((1.0 - gamma) * 1.0) + (x_i * x_i);
arm.b_vec[i] = (gamma * arm.b_vec[i]) + (y_t * x_i);
}
arm.usageCount += 1;
arm.lastExecutedTimestamp = Date.now();
}
}
8. Rekomendasi Arsitektur untuk Engineering AI Agent Production 2026
Berdasarkan temuan riset arXiv:2610.13889, tim arsitektur AI agent enterprise disarankan untuk menerapkan 5 panduan teknis berikut:
- Hentikan Ketergantungan Tunggal pada Semantic Embedding Statis: Kemiripan teks (cosine similarity) tidak mencerminkan ketersediaan infrastruktur. Jangan biarkan agent loop memanggil tool tanpa validasi operational reliability.
- Dekupel Representasi Semantik dari Pembaruan Keandalan: Jangan melatih ulang (fine-tuning) model dense encoder setiap kali ada API yang down. Cukup simpan bobot embedding dalam keadaan beku (frozen) dan gunakan lightweight bandit state untuk penyesuaian skor.
- Gunakan Discount Factor Non-Stasioner (γ ≈ 0.95): Kegagalan server biasanya bersifat sementara (transient). Tanpa faktor diskon waktu, sebuah tool yang mengalami downtime selama 10 menit akan di-blacklist selamanya oleh sistem.
- Manfaatkan Metadata Katalog sebagai Cold-Start Prior: Tool baru tanpa riwayat eksekusi harus dinilai berdasarkan konsistensi nama-deskripsi dan reputasi repositori sumber untuk menghindari eksplorasi buta.
- Batasi Kandidat Re-ranking pada Top-K (K = 10): Menjalankan UCB bandit pada seluruh ruang ribuan API menimbulkan overhead komputasi. Saring kandidat secara semantik terlebih dahulu sebelum mengeksekusi re-ranking linier.
Referensi & Sumber Terverifikasi
- [1]RATED: Reliability-Aware AI Agent Tool Retrieval via Execution Dynamics(arXiv:2610.13889 [cs.AI] / Proceedings of the 35th ACM International Conference on Information and Knowledge Management (CIKM 2026) — Weiliang Chen, Song Liao)
- [2]EcoAgent: Official Open-Source Implementation, Benchmark Datasets & Tool Definitions(GitHub Repository (Elliotes/EcoAgent))
- [3]ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world APIs(ICLR 2024 / Tsinghua University (Yujia Qin, Shihao Liang, Yining Ye, Kunlun Zhu, Shengding Hu et al.))
- [4]A Contextual-Bandit Approach to Personalized News Article Recommendation (LinUCB Foundation)(WWW 2010 — Lihong Li, Wei Chu, John Langford, Robert E. Schapire (Yahoo! Research & Princeton))
- [5]Dense Retrieval with Out-of-Domain Generalization (DRAGON Dual-Encoder)(ACL 2023 / Carnegie Mellon University & Microsoft (Sheng-Chieh Lin, Akari Asai, Minghan Li, Barlas Oguz et al.))
Butuh Arsitektur Web & AI Berkualitas Tinggi?
Tim engineering NEWSAINT siap membantu merancang website berkecepatan tinggi, sistem AI autonomous, dan solusi SaaS terukur untuk bisnis Anda.
Artikel Terkait Lainnya

DecisionRAG (arXiv:2610.35868): Retriever-Free Retrieval via Decision Models — Eliminasi Capability Asymmetry, Hierarchical Tree Navigation, dan Rekor +17.4% Hit@1 Tanpa Indeks Vektor
Analisis arsitektur DecisionRAG (arXiv:2610.35868, Chao Wan, Paul Jünger, Beixi Du, Bodong Liu, Navaneetha Krishnan, Kilian Q. Weinberger — Cornell University & ASAPP): Mengapa retrieval konvensional (BM25, dense embeddings) menciptakan capability asymmetry terhadap LLM generator modern, dan bagaimana DecisionRAG menavigasi struktur korpus bertingkat menggunakan model keputusan (decision models) dalam konteks bersama (shared context) tanpa token generasi, menghasilkan lompatan +13.8 R@1 di MultiDoc2Dial, +17.4 Hit@1 di Natural Questions, dan latensi secepat 0.68 detik.

DynaFlow (arXiv:2610.34467): Free-Form Multi-Agent Orchestration — Sintesis Alur Kerja Eksekutabel, Eliminasi Defek Aliran Informasi, dan Lonjakan Akurasi 88.08% Tanpa Mengubah Bobot Sub-Agent
Analisis arsitektur DynaFlow (arXiv:2610.34467, Ruhao Liu et al., NUS): Mengapa topologi multi-agent statis memicu overhead komunikasi berlebihan, dan bagaimana integrasi sintesis alur kerja bebas ke dalam ruang aksi Main Agent — dikombinasikan dengan Two-Stage SFT dan kurasi 3 defek orkestrasi — menghasilkan akurasi 88.08% serta memecahkan 100% soal AIME dengan sub-agent berbobot beku.

Code Graphs & Embeddings pada Small Coding Agents (arXiv:2610.33958): Eksperimen 79k Episode SWE-bench, Gradien Hop Depth, dan Batasan Representasi Leksikal Satu-Langkah
Analisis empiris 79k episode SWE-bench Verified (arXiv:2610.33958, Saurav Bellam): Apakah tool knowledge graph dan embedding search benar-benar melengkapi pemahaman struktural coding agent kecil? Menyingkap degradasi hop gradient (odds ratio 0.50–0.67 per hop), anomali tool uptake pada model 32B, dan bukti linear probing bahwa representasi kode internal agen open-weight masih dominan bersifat leksikal satu-langkah.