論文の概要: Think-on-Process: Dynamic Process Generation for Collaborative Development of Multi-Agent System
- arxiv url: http://arxiv.org/abs/2409.06568v1
- Date: Tue, 10 Sep 2024 15:02:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-11 17:11:29.986319
- Title: Think-on-Process: Dynamic Process Generation for Collaborative Development of Multi-Agent System
- Title(参考訳): シンク・オン・プロ:マルチエージェントシステムの協調開発のための動的プロセス生成
- Authors: Leilei Lin, Yingming Zhou, Wenlong Chen, Chen Qian,
- Abstract要約: ToP (Think-on-Process) はソフトウェア開発のための動的プロセス生成フレームワークである。
本フレームワークはGPT-3.5とGPT-4の動的プロセス生成能力を著しく向上させる。
- 参考スコア(独自算出の注目度): 13.65717444483291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software development is a collaborative endeavor that requires individuals from different departments to work together in order to collectively develop a high-quality software system. In this context, people have begun to explore a method that leverages multi-agent systems based on LLMs to carry out software development. However, existing research tends to rigidly fix the software development process in a framework in code form, thus failing to dynamically adjust the software development process in real-time to meet the more flexible and variable software environment. In this paper, we propose a dynamic process generation framework, named ToP (Think-on-Process). The core idea of ToP is to leverage experiential knowledge (i.e., process models) to guide LLMs in generating software development processes (i.e., instances). These instances will guide multi-agent in software development and employ a compiler to provide feedback on the development outcomes. Subsequently, we utilize heuristic algorithms to filter the instances and apply process mining algorithms to derive process model. Finally, the process model will be converted into text, formatted as prompts, to enhance the ability of LLMs to generate other instances. Experiments demonstrate that our framework ToP significantly enhances the dynamic process generation capability of the GPT-3.5 and GPT-4 for five categories of software development tasks.
- Abstract(参考訳): ソフトウェア開発は、高品質なソフトウェアシステムを集合的に開発するために、異なる部署の個人が協力することを要求する共同作業である。
この文脈では、LLMをベースとしたマルチエージェントシステムを活用してソフトウェア開発を行う方法を探求し始めている。
しかし、既存の研究は、フレームワークをコード形式で厳格に修正する傾向にあり、それによって、より柔軟で可変なソフトウェア環境を満たすために、開発プロセスをリアルタイムで動的に調整することができない。
本稿では,ToP(Think-on-Process)という動的プロセス生成フレームワークを提案する。
ToPの中核となる考え方は、経験的知識(すなわちプロセスモデル)を活用して、ソフトウェア開発プロセス(すなわちインスタンス)の生成においてLCMを導くことである。
これらのインスタンスは、ソフトウェア開発のマルチエージェントをガイドし、開発結果に対するフィードバックを提供するためにコンパイラを採用する。
その後、ヒューリスティックアルゴリズムを用いてインスタンスをフィルタリングし、プロセスモデルの導出にプロセスマイニングアルゴリズムを適用する。
最後に、プロセスモデルはテキストに変換され、プロンプトとしてフォーマットされ、LCMが他のインスタンスを生成する能力を高める。
実験により,本フレームワークのToPは,ソフトウェア開発タスクの5つのカテゴリにおいて,GPT-3.5およびGPT-4の動的プロセス生成能力を著しく向上することが示された。
関連論文リスト
- Human-In-the-Loop Software Development Agents [12.830816751625829]
大規模言語モデル(LLM)は、ソフトウェア開発タスクを自動的に解決するために導入された。
ソフトウェア開発のためのHuman-in-the-loop LLMベースのエージェントフレームワーク(HULA)を紹介する。
私たちは社内使用のために、HULAフレームワークをAtlassianに設計、実装、デプロイしています。
論文 参考訳(メタデータ) (2024-11-19T23:22:33Z) - Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳(メタデータ) (2024-11-01T14:27:16Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳(メタデータ) (2024-06-24T15:45:22Z) - AgileCoder: Dynamic Collaborative Agents for Software Development based on Agile Methodology [5.164094478488741]
AgileCoderは、Agile Methodology(AM)をフレームワークに統合するマルチエージェントシステムである。
このシステムは、Product Manager、Developer、Testerといった特定のAMロールを異なるエージェントに割り当て、ユーザ入力に基づいて協調してソフトウェアを開発する。
論文 参考訳(メタデータ) (2024-06-16T17:57:48Z) - Multi-Agent Software Development through Cross-Team Collaboration [30.88149502999973]
ソフトウェア開発のためのスケーラブルなマルチチームフレームワークである、クロスチームコラボレーション(CTC)を紹介します。
CTCは、組織されたチームがさまざまな決定を共同で提案し、洞察とコミュニケーションすることを可能にする。
その結果,最先端のベースラインに比べて品質が顕著に向上した。
論文 参考訳(メタデータ) (2024-06-13T10:18:36Z) - SOEN-101: Code Generation by Emulating Software Process Models Using Large Language Model Agents [50.82665351100067]
FlowGenは、複数のLarge Language Model (LLM)エージェントに基づいたソフトウェアプロセスモデルをエミュレートするコード生成フレームワークである。
FlowGenScrumをHumanEval、HumanEval-ET、MBPP、MBPP-ETの4つのベンチマークで評価した。
論文 参考訳(メタデータ) (2024-03-23T14:04:48Z) - Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。
本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。
実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
論文 参考訳(メタデータ) (2023-12-28T13:50:42Z) - Devops And Agile Methods Integrated Software Configuration Management
Experience [0.0]
本研究の目的は,従来の手法と比較して,革新的な手法がソフトウェア構成管理分野にもたらす違いとメリットを検討することである。
ビルドとデプロイメント時間、自動レポート生成、より正確でフォールトフリーなバージョン管理で改善が見られる。
論文 参考訳(メタデータ) (2023-06-24T13:40:27Z) - Machine Learning Model Development from a Software Engineering
Perspective: A Systematic Literature Review [0.0]
データサイエンティストは、しばしば、業界やアカデミーの様々な問題を解決するために機械学習モデルを開発した。
本稿では,ソフトウェア工学の観点からMLモデルの開発において生じる課題と実践について考察する。
論文 参考訳(メタデータ) (2021-02-15T14:25:13Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳(メタデータ) (2021-01-11T15:54:48Z) - Technology Readiness Levels for AI & ML [79.22051549519989]
機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。
エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。
我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
論文 参考訳(メタデータ) (2020-06-21T17:14:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。