🤖 AI

REGAL: A Registry-Driven Architecture for Deterministic Grounding of Agentic AI in Enterprise Telemetry

Der Artikel stellt REGAL vor, eine registergesteuerte Architektur, die deterministische Telemetrie als Primärbasis nutzt, um Agentic-KI-Systeme durch eine „Interface-as-Code"-Schicht und semantische Kompilierung sicher und governance-konform in heterogene Enterprise-Datenströme zu integrieren.

Ursprüngliche Autoren: Yuvraj Agrawal

Veröffentlicht 2026-03-04

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Yuvraj Agrawal

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, ein großes Unternehmen ist wie eine riesige, chaotische Bibliothek. Tausende von Büchern (den Daten) werden jede Sekunde neu geschrieben, in verschiedenen Sprachen verfasst und an unterschiedlichen Orten aufbewahrt.

Jetzt kommt ein Super-Intelligenz-Roboter (ein KI-Agent) und soll diese Bibliothek durchsuchen, um Probleme zu lösen. Das Problem? Wenn Sie dem Roboter einfach den Schlüssel zu allen Regalen geben, passiert Folgendes:

Er erstickt in der Menge an Informationen (er hat nicht genug Platz im Gedächtnis).
Er versteht die lokalen Begriffe nicht (was für die IT-Abteilung "P1" bedeutet, ist für ihn nur ein Wort).
Die Regale werden ständig umgebaut, aber der Roboter hat keine Ahnung, wo die neuen Bücher stehen.

Die Autoren dieses Papers, Yuvraj Agrawal von Adobe, haben eine Lösung namens REGAL entwickelt. Hier ist die Erklärung in einfachen Worten, mit ein paar kreativen Vergleichen:

1. Das Grundproblem: Der "Rohdaten-Wust"

Bisher versuchten Firmen, KI-Modelle direkt mit den rohen Datenströmen zu füttern. Das ist so, als würden Sie einem Koch einen ganzen Bauernhof voller roher Zutaten (Kühe, Weizen, Gemüse) geben und sagen: "Mach mir ein Abendessen." Der Koch (die KI) wird verwirrt sein, viel Zeit verlieren und vielleicht sogar giftige Pflanzen essen.

2. Die Lösung: REGAL – Der "Kochbuch-Regisseur"

REGAL ist keine neue Art von KI, die besser rechnen kann. Es ist vielmehr ein neuer Bauplan für die Küche.

Stellen Sie sich REGAL wie einen strengen, aber genialen Kochbuch-Regisseur vor, der zwischen dem Bauernhof (den Daten) und dem Koch (der KI) steht.

Schritt A: Die "Goldene Schüssel" (Deterministische Verarbeitung)

Bevor der Koch überhaupt etwas anfassen darf, nimmt der Regisseur die rohen Zutaten und bereitet sie vor.

Was passiert? Die Daten werden gesäubert, sortiert und in kleine, perfekte Portionen verwandelt.
Der Vergleich: Statt dem Koch einen ganzen Bauernhof zu geben, serviert der Regisseur ihm eine "Goldene Schüssel" mit genau dem, was er braucht: "Hier ist das fertige Rindfleisch, gewürzt und portioniert."
Warum? Diese Schüssel ist immer gleich (deterministisch). Egal, wer kocht, die Schüssel sieht immer identisch aus. Das nennt man "Gold-Artefakte".

Schritt B: Das "Zauberkarten-Deck" (Das Register)

Das Herzstück von REGAL ist ein Register (eine Art Karteikarten-System).

Das Problem: Oft ändern sich die Regeln im Unternehmen. Ein Begriff wie "Fehler" bedeutet heute etwas anderes als gestern. Wenn die KI das nicht weiß, halluziniert sie (erfindet Dinge).
Die Lösung: Der Regisseur hat ein Zauberkarten-Deck. Auf jeder Karte steht genau, was eine bestimmte Aktion bedeutet (z. B. "Zeige mir die Crash-Rate").
Der Clou: Die KI darf nicht einfach fragen: "Was ist los?" Sie darf nur eine dieser Karten auswählen.
- Ohne REGAL: Die KI versucht, eine neue Frage zu erfinden (wie ein Kind, das versucht, eine neue Sprache zu sprechen).
- Mit REGAL: Die KI wählt eine Karte aus dem Deck aus. Das Deck wird automatisch aktualisiert, wenn sich die Regeln ändern. So kann die KI nie "verrückt" werden, weil sie nur das tun darf, was auf den Karten steht.

3. Warum ist das so wichtig? (Die Vorteile)

Kein "Tool-Drift" (Werkzeug-Verwirrung):
Stellen Sie sich vor, Sie haben ein Werkzeug namens "Hammer". Wenn Sie das Werkzeug ändern, aber dem Handwerker nicht sagen, dass er jetzt einen "Schraubenzieher" benutzt, wird er kaputt bauen. REGAL stellt sicher, dass die Beschreibung des Werkzeugs und das Werkzeug selbst immer aus demselben Register kommen. Wenn sich die Definition ändert, wird das Werkzeug automatisch angepasst.
Sicherheit und Kontrolle:
Da die KI nur aus einem begrenzten Kartenstapel wählen darf, kann sie keine gefährlichen Dinge tun (wie "Lösche alle Daten"). Der Regisseur hat die Kontrolle über die Grenzen.
Schnelligkeit und Kosten:
Die KI muss nicht mehr den ganzen Bauernhof durchsuchen. Sie bekommt nur die fertige Schüssel. Das spart Zeit und Geld (weniger "Token-Kosten" für die KI).

Zusammenfassung in einem Satz

REGAL ist wie ein strenge Butler, der die chaotischen Daten eines Unternehmens in perfekte, vorverarbeitete Portionen verwandelt und der KI dann nur eine begrenzte Auswahl an "Befehlskarten" gibt, damit sie sicher, schnell und genau arbeiten kann, ohne in den Datenströmen zu ertrinken.

Der Kerngedanke: Lassen Sie die KI nicht mit den rohen Daten kämpfen. Bereiten Sie die Daten erst perfekt vor (deterministisch) und geben Sie der KI dann nur die fertigen Werkzeuge. So wird KI im Unternehmen wirklich nützlich und sicher.

1. Problemstellung

Moderne Software-Engineering-Organisationen generieren enorme Mengen an heterogenen Telemetriedaten aus Versionierungssystemen, CI/CD-Pipelines, Issue-Trackern und Observability-Plattformen. Der naive Versuch, Large Language Models (LLMs) und agentic AI direkt mit diesen Rohdaten zu füttern (z. B. via Retrieval-Augmented Generation oder Text-to-SQL), stößt in der Enterprise-Umgebung auf drei kritische Hindernisse:

Kontextgrenzen und Kosten: Das Volumen der Rohdaten übersteigt bei weitem die Kontextfenster aktueller Modelle. Das Senden von Roh-Events führt zu prohibitiv hohen Token-Kosten und operativer Ineffizienz.
Semantische Ambiguität: Organisationsinterne Konzepte (z. B. „P1", „Release-Candidate", „Regression") sind oft nur lokal definiert. Ohne deterministische Bindung neigen probabilistische Modelle zu Inkonsistenzen und Halluzinationen.
Interface-Drift: Handgeschriebene Tools und APIs divergieren oft von den sich entwickelnden Daten-Schemata. Dies führt zu einer Diskrepanz zwischen der vom Modell erwarteten Tool-Funktionalität und der tatsächlichen Implementierung (Tool Drift), was Governance-Risiken birgt.

Das Kernproblem ist also, wie man LLMs sicher, kosteneffizient und semantisch konsistent mit unternehmenskritischen Telemetriedaten „grounden" (verankern) kann, ohne die probabilistischen Unsicherheiten des Modells auf die Datenverarbeitung zu übertragen.

2. Methodik: REGAL-Architektur

Das Paper stellt REGAL (Registry-Driven Architecture for Grounded Agentic LLMs) vor. Es ist keine neue Lernalgorithmus, sondern eine systematische Architektur, die deterministische Datenverarbeitung von probabilistischer Reasoning trennt.

Die Architektur basiert auf vier Hauptebenen mit einem unidirektionalen Datenfluss:

Quellenschicht: Externe Systeme (Git, CI/CD, Observability), die Events oder Zustände emittieren.
Ingestion & Orchestrierung (Write Path): Ein deterministischer ELT-Prozess (Extract, Load, Transform), der sicherstellt, dass Daten replizierbar, idempotent und versioniert sind.
Medallion-Speicher (Context Store): Eine Transformationsschicht, die Rohdaten (Bronze) in harmonisierte Datensätze (Silver) und schließlich in kompakte, semantisch reiche Gold-Artefakte überführt. Diese Gold-Artefakte sind die einzigen Eingaben für die KI.
Semantische Schicht (Read Path): Ein registriebasiertes Kompilierungssystem, das aus deklarativen Metrik-Definitionen konkrete Model Context Protocol (MCP)-Tools generiert.

Der Kernmechanismus: Registry-Driven Semantic Compilation
Anstatt Tools manuell zu codieren, definieren Ingenieure Metriken und deren Logik zentral in einem Registry (Single Source of Truth). Ein Kompilierungsschritt generiert daraus:

Die MCP-Tool-Schemata.
Die Tool-Beschreibungen für das LLM.
Zugriffssteuerung (ACLs) und Caching-Richtlinien.

Dieses Muster wird als „Interface-as-Code" bezeichnet. Das LLM interagiert nicht mit Rohdaten oder SQL, sondern wählt aus einem begrenzten, vordefinierten Satz von Tools aus, die deterministische Ergebnisse aus den Gold-Artefakten zurückgeben.

Nicht-Interferenz-Eigenschaft:
Ein zentrales Designprinzip ist die strikte Trennung: Deterministische Berechnungen (D) erzeugen versionierte Artefakte (G). Probabilistische Reasoning (P) konsumiert diese, darf aber D oder G niemals verändern. Mathematisch ausgedrückt: $\frac{\partial D}{\partial P} = 0$ . Änderungen im Modell oder Prompt dürfen die Datenpipeline nicht beeinflussen.

3. Schlüsselbeiträge

Die wichtigsten Beiträge des Papers sind:

Registry-Driven MCP-Kompilierung: Ein neues Architektur-Muster, das Tool-Schemata, Retrieval-Logik und Governance-Kontrollen automatisch aus deklarativen Metrik-Definitionen ableitet. Dies eliminiert Tool-Drift, da Schnittstelle und Implementierung aus derselben Quelle stammen.
Deterministische Grounding-Architektur: Eine Referenzarchitektur, die die Datenverarbeitung (Medallion ELT) strikt vom probabilistischen Reasoning (LLM-Agenten) trennt.
Begrenzter Aktionsraum: Durch die Kompilierung aus einer Registry ist der Aktionsraum des Agents auf eine endliche Menge von Tools beschränkt. Dies reduziert die Halluzinationsfläche erheblich und vereinfacht die Durchsetzung von Governance-Richtlinien.
Prototyp-Validierung: Eine Implementierung und Fallstudie, die die Machbarkeit demonstrieren und operative Trade-offs (Latenz, Token-Effizienz, Governance) aufzeigen.

4. Ergebnisse und Fallstudie

Ein Prototyp wurde in einer Enterprise-Umgebung implementiert, um einen Incident-Investigations-Workflow zu testen („Warum ist die iOS-Crash-Rate gestern gesprungen?").

Reduktion des Untersuchungs-Overheads: Der Agent-Assistent reduzierte die manuelle Navigation über mehrere Systeme (Dashboards, CI/CD, Tickets) auf eine einzige, begrenzte Interaktion.
Latenz: Die Abrufzeit der deterministischen Gold-Artefakte lag im Bereich von Millisekunden bis unter einer Sekunde. Die End-to-End-Latenz wurde primär durch die Modell-Inferenz bestimmt, nicht durch die Datenabfrage.
Token-Effizienz: Im Vergleich zur direkten Verarbeitung von Roh-Logs (die Tausende von Events umfassen können) skalierte der Token-Verbrauch im REGAL-Ansatz nur mit der Anzahl der ausgewählten Metriken (kompakte Gold-Artefakte). Dies führte zu einer signifikanten Reduktion der Token-Kosten.
Push/Pull-Symmetrie: Sowohl die reaktive Abfrage (Pull) als auch die proaktive Alarmierung (Push via Change Streams) nutzen dieselben Gold-Artefakte, was semantische Inkonsistenzen zwischen Dashboards und Alerts verhindert.

5. Bedeutung und Fazit

REGAL stellt einen Paradigmenwechsel dar: Statt LLMs als primäre Prozessoren für Rohdaten zu nutzen, werden sie als Selektoren für einen begrenzten, auditierbaren Satz von semantischen Werkzeugen behandelt.

Governance & Compliance: Da Metrik-Definitionen versioniert und zentral verwaltet werden, ist die Nachvollziehbarkeit (Auditability) von KI-Entscheidungen gewährleistet.
Stabilität: Die Architektur verhindert, dass sich Änderungen in den Datenquellen unkontrolliert auf die KI-Antworten auswirken.
Skalierbarkeit: Durch die Entkopplung der Aggregation von der Inferenz können Enterprise-Systeme skalieren, ohne dass die Token-Kosten exponentiell mit dem Datenvolumen wachsen.

Das Paper schließt mit der Erkenntnis, dass für zuverlässige Enterprise-AI-Systeme architektonische Beschränkungen (Determinismus vor Probabilistik) oft wertvoller sind als maximale Query-Flexibilität. REGAL bietet einen praktischen Bauplan, um diese Beschränkungen als First-Class-Design-Primitiven zu implementieren.