論文の概要: Knowledge-Guided Multi-Agent Framework for Automated Requirements Development: A Vision
- arxiv url: http://arxiv.org/abs/2506.22656v1
- Date: Fri, 27 Jun 2025 21:57:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-01 21:27:53.504034
- Title: Knowledge-Guided Multi-Agent Framework for Automated Requirements Development: A Vision
- Title（参考訳）: 要求自動開発のための知識ガイド型マルチエージェントフレームワーク:ビジョン
- Authors: Jiangping Huang, Dongming Jin, Weisong Sun, Yang Liu, Zhi Jin,
- Abstract要約: 本稿では,KGMAFという知識誘導型マルチエージェントフレームワークを,自動要求開発のために提案する。
KGMAFは6つの特殊エージェントと1つのアーティファクトプールから構成され、効率と精度を向上させる。
- 参考スコア（独自算出の注目度）: 20.681989070998604
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper envisions a knowledge-guided multi-agent framework named KGMAF for automated requirements development. KGMAF aims to address gaps in current automation systems for SE, which prioritize code development and overlook the complexities of requirements tasks. KGMAF is composed of six specialized agents and an artifact pool to improve efficiency and accuracy. Specifically, KGMAF outlines the functionality, actions, and knowledge of each agent and provides the conceptual design of the artifact pool. Our case study highlights the potential of KGMAF in real-world scenarios. Finally, we outline several research opportunities for implementing and enhancing automated requirements development using multi-agent systems. We believe that KGMAF will play a pivotal role in shaping the future of automated requirements development in the era of LLMs.
- Abstract（参考訳）: 本稿では,KGMAFという知識誘導型マルチエージェントフレームワークを,自動要求開発のために提案する。
KGMAFは、コード開発を優先し、要求タスクの複雑さを無視するSEの現在の自動化システムのギャップを解決することを目的としている。
KGMAFは6つの特殊エージェントと1つのアーティファクトプールから構成され、効率と精度を向上させる。
具体的には、KGMAFは各エージェントの機能、行動、知識を概説し、アーティファクトプールの概念設計を提供する。
実世界のシナリオにおけるKGMAFの可能性を明らかにする。
最後に,マルチエージェントシステムを用いた自動要件開発の実装と改善のためのいくつかの研究機会について概説する。
我々は,KGMAF が LLM 時代における自動要求開発の未来を形作る上で,重要な役割を果たすと考えている。
関連論文リスト
- Agentic AI for Intent-Based Industrial Automation [0.6906005491572401]
この研究は、エージェントAIとインテントベースのパラダイムを統合する概念的フレームワークを提案する。
このフレームワークは意図に基づく処理に基づいて、人間のオペレーターが自然言語でハイレベルなビジネスや運用目標を表現できるようにする。
CMAPSSデータセットとGoogle Agent Developer Kit (ADK)を使って概念実証を行った。
論文 参考訳（メタデータ） (2025-06-05T12:50:54Z) - AutoAgent: A Fully-Automated and Zero-Code Framework for LLM Agents [4.57755315319748]
大規模言語モデル (LLM) エージェントはタスクの自動化とインテリジェントな意思決定において顕著な能力を示した。
これらのフレームワークは、主に開発者に対して広範な技術的専門知識を提供する。
世界の人口の0.03%のみが必要なプログラミングスキルを持っている。
論文 参考訳（メタデータ） (2025-02-09T16:53:56Z) - AgentOps: Enabling Observability of LLM Agents [12.49728300301026]
大規模言語モデル(LLM)エージェントは、自律的で非決定論的行動のため、AI安全性に重大な懸念を提起する。
本稿では,エージェントのライフサイクル全体を通じて追跡されるべきアーティファクトと関連するデータを特定し,効果的な観測可能性を実現するための,AgentOpsの包括的な分類法を提案する。
私たちの分類は、監視、ロギング、分析をサポートするAgentOpsインフラストラクチャを設計、実装するためのリファレンステンプレートとして機能します。
論文 参考訳（メタデータ） (2024-11-08T02:31:03Z) - AutoGLM: Autonomous Foundation Agents for GUIs [51.276965515952]
我々は、グラフィカルユーザインタフェース(GUI)を介してデジタルデバイスを自律的に制御するための基礎エージェントとして設計された、ChatGLMファミリーの新しいシリーズであるAutoGLMを紹介する。
実世界のGUIインタラクションのための実践的基礎エージェントシステムとしてAutoGLMを開発した。
評価では、AutoGLMが複数のドメインにまたがって有効であることを示す。
論文 参考訳（メタデータ） (2024-10-28T17:05:10Z) - Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。
G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
論文 参考訳（メタデータ） (2024-10-06T10:49:40Z) - LLM Agents as 6G Orchestrator: A Paradigm for Task-Oriented Physical-Layer Automation [1.128193862264227]
本稿では,タスク指向型6G LLMエージェント構築のための包括的アプローチを提案する。
まず,フィールド基本モデルを構築するための2段階の事前学習と微調整方式を提案する。
物理層分解などの模範課題の実験結果から,提案手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-09-21T05:08:29Z) - CoCo-Agent: A Comprehensive Cognitive MLLM Agent for Smartphone GUI Automation [61.68049335444254]
MLLM(Multimodal large language model)は、人間のような自律型言語エージェントが現実世界の環境と相互作用する可能性を示している。
包括的環境認識(CEP)と条件付き行動予測(CAP)の2つの新しいアプローチを備えた包括的認知型LLMエージェントCoCo-Agentを提案する。
AITW と META-GUI ベンチマークにおいて,我々のエージェントは実シナリオで有望な性能を示す新しい最先端性能を実現する。
論文 参考訳（メタデータ） (2024-02-19T08:29:03Z) - Forging Vision Foundation Models for Autonomous Driving: Challenges,
Methodologies, and Opportunities [59.02391344178202]
ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。
総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。
本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
論文 参考訳（メタデータ） (2024-01-16T01:57:24Z) - MAgIC: Investigation of Large Language Model Powered Multi-Agent in Cognition, Adaptability, Rationality and Collaboration [98.18244218156492]
大規模言語モデル(LLM)は、非常に高度な自然言語処理を持つ。
アプリケーションがマルチエージェント環境に拡大するにつれて、包括的な評価フレームワークの必要性が生じる。
この研究は、マルチエージェント設定内でLLMを評価するための新しい競合ベースのベンチマークフレームワークを導入している。
論文 参考訳（メタデータ） (2023-11-14T21:46:27Z) - Multi-Agent Collaboration: Harnessing the Power of Intelligent LLM
Agents [0.0]
本稿では,マルチエージェントシステムのパワーを活用した大規模言語モデル(LLM)の能力向上のための新しいフレームワークを提案する。
本フレームワークでは,複数の知的エージェントコンポーネントがそれぞれ特有な属性と役割を持つ協調環境を導入し,複雑なタスクをより効率的に効率的に処理する。
論文 参考訳（メタデータ） (2023-06-05T23:55:37Z)
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。