論文の概要: RA-Gen: A Controllable Code Generation Framework Using ReAct for Multi-Agent Task Execution
- arxiv url: http://arxiv.org/abs/2510.08665v1
- Date: Thu, 09 Oct 2025 15:59:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:47.312104
- Title: RA-Gen: A Controllable Code Generation Framework Using ReAct for Multi-Agent Task Execution
- Title（参考訳）: RA-Gen:マルチエージェントタスク実行にReActを使用した制御可能なコード生成フレームワーク
- Authors: Aofan Liu, Haoxuan Li, Bin Wang, Ao Yang, Hui Li,
- Abstract要約: マルチエージェントタスク実行のためのReActパラダイムを利用した制御可能なコード生成フレームワークを提案する。
このフレームワークは、効率的で正確で解釈可能なコード生成を可能にするために設計されたマルチエージェントシステムである。
- 参考スコア（独自算出の注目度）: 18.209965705151905
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Code generation models based on large language models (LLMs) have gained wide adoption, but challenges remain in ensuring safety, accuracy, and controllability, especially for complex tasks. Existing methods often lack dynamic integration of external tools, transparent reasoning, and user control over safety. To address these issues, we propose a controllable code generation framework utilizing the ReAct paradigm for multi-agent task execution. This framework is a multi-agent system designed to enable efficient, precise, and interpretable code generation through dynamic interactions between LLMs and external resources. The framework adopts a collaborative architecture comprising four specialized agents: a Planner for task decomposition, a Searcher that leverages the ReAct framework for reasoning and tool integration, a CodeGen agent for accurate code generation, and an Extractor for structured data retrieval. The ReAct-based Searcher alternates between generating reasoning traces and executing actions, facilitating seamless integration of internal knowledge with external tools (such as search engines) to enhance accuracy and user control. Experimental results show the framework's effectiveness across multiple languages, achieving a 94.8% security rate on the SVEN dataset with CodeQL, outperforming existing approaches. Its transparent reasoning process fosters user trust and improves controllability.
- Abstract（参考訳）: 大規模言語モデル(LLM)に基づくコード生成モデルは広く採用されているが、特に複雑なタスクにおいて、安全性、正確性、制御性を保証することが課題である。
既存の方法には、外部ツールの動的統合、透過的な推論、安全性に対するユーザコントロールが欠如していることが多い。
これらの問題に対処するために,マルチエージェントタスク実行にReActパラダイムを利用する制御可能なコード生成フレームワークを提案する。
このフレームワークは、LLMと外部リソース間の動的相互作用を通じて、効率よく、正確で、解釈可能なコード生成を可能にするために設計されたマルチエージェントシステムである。
このフレームワークは、タスク分解のためのプランナー、推論とツール統合のためのReActフレームワークを利用するサーチラー、正確なコード生成のためのCodeGenエージェント、構造化データ検索のためのエクストラクタの4つの特別なエージェントからなる協調アーキテクチャを採用している。
ReActベースのSearcherは、推論トレースの生成とアクションの実行を交互に行い、内部知識を外部ツール(検索エンジンなど)とシームレスに統合し、精度とユーザコントロールを向上させる。
実験結果は、フレームワークが複数の言語で有効であることを示し、既存のアプローチより優れたSVENデータセット上で94.8%のセキュリティ率を達成した。
その透明な推論プロセスは、ユーザの信頼を促進し、コントロール可能性を改善する。
関連論文リスト
- Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。
既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。
ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
論文 参考訳（メタデータ） (2025-10-06T10:44:04Z) - Generalizable End-to-End Tool-Use RL with Synthetic CodeGym [52.31172214690965]
エージェントRLのための多目的ツール環境を多種多様な、検証可能な、制御可能な、多目的ツール環境を合成するフレームワークであるCodeGymを紹介する。
CodeGymは、静的コーディングの問題を対話的な環境に書き換え、原子関数やロジックを呼び出し可能なツールに抽出する。
さまざまなサイズのモデルとCodeGymでトレーニングされたチェーン・オブ・コンフィグレーションは、一貫したアウト・オブ・ディストリビューションの一般化性を示す。
論文 参考訳（メタデータ） (2025-09-22T03:03:56Z) - VerlTool: Towards Holistic Agentic Reinforcement Learning with Tool Use [78.29315418819074]
VerlToolは、体系的な設計原則を通じて制限に対処する統一的でモジュール化されたフレームワークです。
我々のフレームワークはARLTをマルチターントラジェクトリとして定式化し、マルチモード観測トークン(テキスト/画像/ビデオ)を単一ターンRLVRパラダイムを超えて拡張する。
モジュール化されたプラグインアーキテクチャは、軽量Python定義のみを必要とする迅速なツール統合を可能にする。
論文 参考訳（メタデータ） (2025-09-01T01:45:18Z) - Get Experience from Practice: LLM Agents with Record & Replay [16.179801770737892]
本稿では,AIエージェントフレームワークに古典的なレコード再生機構を導入する,Agent Record & Replay(Agent Record & Replay)と呼ばれる新しいパラダイムを提案する。
本稿では,AgentRRにおけるマルチレベル体験抽象化手法とチェック関数機構について述べる。
さらに,AgentRRの複数のアプリケーションモードについて検討し,ユーザ記録タスクのデモ,大規模モデルコラボレーション,プライバシ対応エージェントの実行などを検討した。
論文 参考訳（メタデータ） (2025-05-23T10:33:14Z) - AppAgentX: Evolving GUI Agents as Proficient Smartphone Users [34.70342284525283]
本稿では,インテリジェンスと柔軟性を維持しつつ,操作効率を向上させるGUIエージェントの進化的フレームワークを提案する。
本手法は,エージェントのタスク実行履歴を記録するメモリ機構を組み込んだものである。
複数のベンチマークタスクに対する実験結果から,本手法は既存の手法よりも効率と精度が優れていることが示された。
論文 参考訳（メタデータ） (2025-03-04T04:34:09Z) - ToolCoder: A Systematic Code-Empowered Tool Learning Framework for Large Language Models [81.12673534903979]
ツール学習は、大規模な言語モデル(LLM)にとって、外部ツールとのインタラクションを通じて、複雑な現実世界のタスクを解決する重要な機能として登場した。
本稿では,ツール学習をコード生成タスクとして再編成する新しいフレームワークであるToolCoderを提案する。
論文 参考訳（メタデータ） (2025-02-17T03:42:28Z) - MOSS: Enabling Code-Driven Evolution and Context Management for AI Agents [7.4159044558995335]
動的コンテキスト管理システムとコード生成を統合する新しいフレームワークであるMOSS(llM-oriented Operating System Simulation)を紹介する。
フレームワークの中核は、最小限の知識原則を強制するために、インバージョン・オブ・コントロールコンテナとデコレータを併用する。
我々は,このフレームワークがエージェント開発における効率性と能力をいかに向上させるかを示し,チューリング完全エージェントへの移行におけるその優位性を強調した。
論文 参考訳（メタデータ） (2024-09-24T14:30:21Z)
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。