論文の概要: CodeRAG: Finding Relevant and Necessary Knowledge for Retrieval-Augmented Repository-Level Code Completion

• arxiv url: http://arxiv.org/abs/2509.16112v1
• Date: Fri, 19 Sep 2025 15:57:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:11.239153
• Title: CodeRAG: Finding Relevant and Necessary Knowledge for Retrieval-Augmented Repository-Level Code Completion
• Title（参考訳）: CodeRAG: Retrieval-Augmented Repository-Level Code Completionの関連知識と必要知識を見つける
• Authors: Sheng Zhang, Yifan Ding, Shuquan Lian, Shun Song, Hui Li,
• Abstract要約: リポジトリレベルのコード補完は、リポジトリからのより広範な情報に基づいて、未完成のコードを自動的に予測する。 CodeRAGは、リポジトリレベルのコード補完を検索するために必要な知識を特定するためのフレームワークである。
• 参考スコア（独自算出の注目度）: 11.329578913209623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Repository-level code completion automatically predicts the unfinished code based on the broader information from the repository. Recent strides in Code Large Language Models (code LLMs) have spurred the development of repository-level code completion methods, yielding promising results. Nevertheless, they suffer from issues such as inappropriate query construction, single-path code retrieval, and misalignment between code retriever and code LLM. To address these problems, we introduce CodeRAG, a framework tailored to identify relevant and necessary knowledge for retrieval-augmented repository-level code completion. Its core components include log probability guided query construction, multi-path code retrieval, and preference-aligned BestFit reranking. Extensive experiments on benchmarks ReccEval and CCEval demonstrate that CodeRAG significantly and consistently outperforms state-of-the-art methods. The implementation of CodeRAG is available at https://github.com/KDEGroup/CodeRAG.
• Abstract（参考訳）: リポジトリレベルのコード補完は、リポジトリからのより広範な情報に基づいて、未完成のコードを自動的に予測する。 Code Large Language Models(コードLLM)の最近の進歩は、リポジトリレベルのコード補完方法の開発を加速させ、有望な結果をもたらした。 それでも、不適切なクエリ構築、シングルパスコード検索、コードレトリバーとコードLLMの不一致といった問題に悩まされている。 これらの問題に対処するため,我々は,リポジトリレベルのコード補完のための関連知識と必要な知識を識別するフレームワークであるCodeRAGを紹介した。 その中核となるコンポーネントは、ログ確率ガイドクエリ構築、マルチパスコード検索、および優先順のBestFitの再ランクである。 ベンチマークに関する大規模な実験 ReccEval と CCEval は、CodeRAG が最先端の手法を大幅に上回ることを示した。 CodeRAGの実装はhttps://github.com/KDEGroup/CodeRAGで公開されている。

関連論文リスト

• CodeRAG: Supportive Code Retrieval on Bigraph for Real-World Code Generation [69.684886175768]
  大規模言語モデル(LLM)は、自動コード生成において有望なパフォーマンスを示している。 本稿では,検索拡張コード生成フレームワークであるCodeRAGを提案する。 実験によると、CodeRAGはRAGのシナリオと比較して大幅に改善されている。
  論文  参考訳（メタデータ） (2025-04-14T09:51:23Z)
• Hierarchical Context Pruning: Optimizing Real-World Code Completion with Repository-Level Pretrained Code LLMs [24.00351065427465]
  本稿では,階層型コンテキストプルーニング(HCP)という戦略を提案し,高い情報量を持つコンプリートプロンプトを構築する。 HCPは関数レベルでコードリポジトリをモデル化し、コードファイル間のトポロジ的な依存関係を維持しながら、大量の無関係なコードコンテンツを削除する。
  論文  参考訳（メタデータ） (2024-06-26T12:26:16Z)
• CodeRAG-Bench: Can Retrieval Augment Code Generation? [78.37076502395699]
  検索拡張生成を用いたコード生成の系統的,大規模な解析を行う。 まず、コード生成タスクの3つのカテゴリを含む総合的な評価ベンチマークであるCodeRAG-Benchをキュレートする。 CodeRAG-Bench上のトップパフォーマンスモデルについて、1つまたは複数のソースから検索したコンテキストを提供することにより検討する。
  論文  参考訳（メタデータ） (2024-06-20T16:59:52Z)
• GraphCoder: Enhancing Repository-Level Code Completion via Code Context Graph-based Retrieval and Language Model [30.625128161499195]
  GraphCoderは検索拡張コード補完フレームワークである。 一般的なコード知識と、グラフベースの検索生成プロセスを通じてリポジトリ固有の知識を使用する。 コードマッチでは+6.06、識別子マッチでは+6.23となり、時間と空間は少ない。
  論文  参考訳（メタデータ） (2024-06-11T06:55:32Z)
• RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation [96.75695811963242]
  RepoCoderはリポジトリレベルのコード補完プロセスを合理化するフレームワークである。 類似性ベースのレトリバーと、事前訓練されたコード言語モデルが組み込まれている。 バニラ検索で拡張されたコード補完アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2023-03-22T13:54:46Z)

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。