論文の概要: Prompt-with-Me: in-IDE Structured Prompt Management for LLM-Driven Software Engineering

• arxiv url: http://arxiv.org/abs/2509.17096v1
• Date: Sun, 21 Sep 2025 14:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.115273
• Title: Prompt-with-Me: in-IDE Structured Prompt Management for LLM-Driven Software Engineering
• Title（参考訳）: Prompt-with-Me:LLM駆動ソフトウェアエンジニアリングのためのIDE内構造化プロンプト管理
• Authors: Ziyou Li, Agnia Sergeyuk, Maliheh Izadi,
• Abstract要約: 本稿では,Prompt-with-Meという,開発環境に直接組み込んだ構造化プロンプト管理の実践的ソリューションを提案する。 このシステムは、意図、著者の役割、ソフトウェア開発ライフサイクルステージ、プロンプトタイプを含む4次元の分類を用いて、自動的にプロンプトを分類する。
• 参考スコア（独自算出の注目度）: 3.788792284009516
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large Language Models are transforming software engineering, yet prompt management in practice remains ad hoc, hindering reliability, reuse, and integration into industrial workflows. We present Prompt-with-Me, a practical solution for structured prompt management embedded directly in the development environment. The system automatically classifies prompts using a four-dimensional taxonomy encompassing intent, author role, software development lifecycle stage, and prompt type. To enhance prompt reuse and quality, Prompt-with-Me suggests language refinements, masks sensitive information, and extracts reusable templates from a developer's prompt library. Our taxonomy study of 1108 real-world prompts demonstrates that modern LLMs can accurately classify software engineering prompts. Furthermore, our user study with 11 participants shows strong developer acceptance, with high usability (Mean SUS=73), low cognitive load (Mean NASA-TLX=21), and reported gains in prompt quality and efficiency through reduced repetitive effort. Lastly, we offer actionable insights for building the next generation of prompt management and maintenance tools for software engineering workflows.
• Abstract（参考訳）: 大規模言語モデルはソフトウェア工学を変革していますが、実践上の迅速な管理は、信頼性、再利用、産業ワークフローへの統合を妨げるままです。 本稿では,Prompt-with-Meという,開発環境に直接組み込んだ構造化プロンプト管理の実践的ソリューションを提案する。 このシステムは、意図、著者の役割、ソフトウェア開発ライフサイクルステージ、プロンプトタイプを含む4次元の分類を用いて、自動的にプロンプトを分類する。 迅速な再利用と品質向上のために、Prompt-with-Meは言語の改良を提案し、機密情報をマスクし、開発者のプロンプトライブラリから再利用可能なテンプレートを抽出する。 1108の現実世界のプロンプトの分類学的研究は、現代のLLMがソフトウェア工学のプロンプトを正確に分類できることを実証している。 さらに,11名を対象に実施したユーザスタディでは,高いユーザビリティ(Mean SUS=73),低認知負荷(Mean NASA-TLX=21),反復的努力の削減による品質と効率の向上が報告された。 最後に、ソフトウェアエンジニアリングワークフローのための、次世代のプロンプト管理およびメンテナンスツールを構築するための実用的な洞察を提供する。

関連論文リスト

• Promptomatix: An Automatic Prompt Optimization Framework for Large Language Models [72.4723784999432]
  LLM(Large Language Models)は、巧妙なプロンプトで最高の性能を発揮するが、プロンプトは手動で、一貫性がなく、非専門家にはアクセスできない。 Promptomatixは、手作業のチューニングやドメインの専門知識を必要とせずに、自然言語のタスク記述を高品質なプロンプトに変換する。 システムは、ユーザ意図を分析し、合成トレーニングデータを生成し、プロンプト戦略を選択し、コストを意識した目標を使用してプロンプトを洗練する。
  論文  参考訳（メタデータ） (2025-07-17T18:18:20Z)
• Promptware Engineering: Software Engineering for LLM Prompt Development [22.788377588087894]
  大規模言語モデル(LLM)は、ソフトウェアアプリケーションに統合され、プロンプトが主要な'プログラミング'インターフェースとして機能する。 その結果,新たなソフトウェアパラダイムであるプロンプトウェアが出現し,自然言語のプロンプトを使ってLLMと対話する。 フォーマルなプログラミング言語や決定論的ランタイム環境に依存する従来のソフトウェアとは異なり、プロンプトウェアはあいまいで非構造的で文脈に依存した自然言語に基づいている。
  論文  参考訳（メタデータ） (2025-03-04T08:43:16Z)
• Prompting in the Wild: An Empirical Study of Prompt Evolution in Software Repositories [11.06441376653589]
  本研究は,LSM統合ソフトウェア開発における迅速な進化の実証的研究である。 我々は、インシデント変更のパターンと頻度を調べるために、243のGitHubリポジトリにわたる1,262のインシデント変更を分析した。 私たちの調査によると、開発者は主に追加や修正を通じて進化し、ほとんどの変更は機能開発中に発生します。
  論文  参考訳（メタデータ） (2024-12-23T05:41:01Z)
• Efficient Prompting Methods for Large Language Models: A Survey [50.82812214830023]
  効率的なプロンプティング手法は幅広い注目を集めている。 本稿では,異なるプロンプト成分に対する自動プロンプトエンジニアリングと連続空間および離散空間におけるプロンプト圧縮について論じる。
  論文  参考訳（メタデータ） (2024-04-01T12:19:08Z)
• Exploring Prompt Engineering Practices in the Enterprise [3.7882262667445734]
  プロンプト(英: prompt)は、モデルから特定の振る舞いや出力を引き出すように設計された自然言語命令である。 特定の要求のある複雑なタスクやタスクに対して、迅速な設計は簡単ではない。 我々は、プロンプト編集行動のセッションを分析し、ユーザが反復したプロンプトの一部と、それらが行った変更の種類を分類する。
  論文  参考訳（メタデータ） (2024-03-13T20:32:32Z)
• Revisiting Prompt Engineering via Declarative Crowdsourcing [16.624577543520093]
  大規模言語モデル(LLM)は、テキスト形式でデータを解釈し、生成するのに驚くほど強力ですが、脆弱でエラーを起こします。 私たちは宣言的な急進的なエンジニアリングのビジョンを打ち出した。 ソート、実体分解、計算に関する予備的ケーススタディは、我々のアプローチの可能性を実証している。
  論文  参考訳（メタデータ） (2023-08-07T18:04:12Z)
• Interactive and Visual Prompt Engineering for Ad-hoc Task Adaptation with Large Language Models [116.25562358482962]
  最先端のニューラルネットワークモデルは、教師付きトレーニングを必要とせずに、アドホックな言語タスクを解決するために使用することができる。 PromptIDEを使えば、ユーザはプロンプトのバリエーションを試すことができ、プロンプトのパフォーマンスを視覚化し、反復的にプロンプトを最適化できる。
  論文  参考訳（メタデータ） (2022-08-16T17:17:53Z)
• RLPrompt: Optimizing Discrete Text Prompts With Reinforcement Learning [84.75064077323098]
  本稿では、強化学習(RL)を用いた離散的高速最適化手法RLPromptを提案する。 RLPromptは、マスク付きジベリッシュ(例:grammaBERT)や左から右へのモデル(例:GPT)など、様々な種類のLMに柔軟に適用可能である。 少数ショット分類と教師なしテキストスタイル転送の実験は、既存のファインタニングやプロンプト手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-05-25T07:50:31Z)

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。