論文の概要: A Survey of Vibe Coding with Large Language Models

• arxiv url: http://arxiv.org/abs/2510.12399v1
• Date: Tue, 14 Oct 2025 11:26:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.293216
• Title: A Survey of Vibe Coding with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたバイブ符号化の検討
• Authors: Yuyao Ge, Lingrui Mei, Zenghao Duan, Tianhao Li, Yujia Zheng, Yiwei Wang, Lexin Wang, Jiayu Yao, Tianyu Liu, Yujun Cai, Baolong Bi, Fangda Guo, Jiafeng Guo, Shenghua Liu, Xueqi Cheng,
• Abstract要約: 視覚符号化(Vibe Coding)は、開発者が成果観察を通じてAI生成の実装を検証する開発手法である。 変革の可能性にもかかわらず、この創発的パラダイムの有効性は未解明のままである。 この調査は、大規模な言語モデルによるVibe Codingの総合的かつ体系的なレビューを初めて提供する。
• 参考スコア（独自算出の注目度）: 93.88284590533242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancement of large language models (LLMs) has catalyzed a paradigm shift from code generation assistance to autonomous coding agents, enabling a novel development methodology termed "Vibe Coding" where developers validate AI-generated implementations through outcome observation rather than line-by-line code comprehension. Despite its transformative potential, the effectiveness of this emergent paradigm remains under-explored, with empirical evidence revealing unexpected productivity losses and fundamental challenges in human-AI collaboration. To address this gap, this survey provides the first comprehensive and systematic review of Vibe Coding with large language models, establishing both theoretical foundations and practical frameworks for this transformative development approach. Drawing from systematic analysis of over 1000 research papers, we survey the entire vibe coding ecosystem, examining critical infrastructure components including LLMs for coding, LLM-based coding agent, development environment of coding agent, and feedback mechanisms. We first introduce Vibe Coding as a formal discipline by formalizing it through a Constrained Markov Decision Process that captures the dynamic triadic relationship among human developers, software projects, and coding agents. Building upon this theoretical foundation, we then synthesize existing practices into five distinct development models: Unconstrained Automation, Iterative Conversational Collaboration, Planning-Driven, Test-Driven, and Context-Enhanced Models, thus providing the first comprehensive taxonomy in this domain. Critically, our analysis reveals that successful Vibe Coding depends not merely on agent capabilities but on systematic context engineering, well-established development environments, and human-agent collaborative development models.
• Abstract（参考訳）: 大規模言語モデル(LLM)の進歩は、コード生成支援から自律的なコーディングエージェントへのパラダイムシフトを引き起こし、開発者が行ごとのコード理解ではなく、結果観察を通じてAI生成の実装を検証する、"Vibe Coding"と呼ばれる新しい開発方法論を可能にした。 変革の可能性にもかかわらず、この創発的パラダイムの有効性は未解明のままであり、予期せぬ生産性の損失と人間とAIのコラボレーションにおける根本的な課題が実証されている。 このギャップに対処するため、この調査は、大規模な言語モデルによるVibe Codingの包括的で体系的なレビューを初めて提供し、この変革的開発アプローチのための理論的基盤と実践的なフレームワークを確立します。 1000を超える研究論文の体系的な分析から、コーディングのためのLLM、LLMベースのコーディングエージェント、コーディングエージェントの開発環境、フィードバックメカニズムを含む重要なインフラストラクチャーコンポーネントを調査する。 最初に、人間の開発者、ソフトウェアプロジェクト、コーディングエージェント間の動的三進関係をキャプチャする制約付きマルコフ決定プロセスを通じて、正式な規律としてVibe Codingを導入します。 制約のない自動化、反復的会話型コラボレーション、計画駆動型、テスト駆動型、コンテキスト拡張型モデルです。 批判的な点として,Vibe Codingの成功は,エージェント能力だけでなく,体系的なコンテキスト工学,確立された開発環境,人間とエージェントの協調的な開発モデルにも依存している。

関連論文リスト

• A Survey on Code Generation with LLM-based Agents [61.474191493322415]
  大規模言語モデル(LLM)を利用したコード生成エージェントは、ソフトウェア開発パラダイムに革命をもたらしている。 LLMは3つのコア特徴によって特徴づけられる。 本稿では,LLMに基づくコード生成エージェントの分野を体系的に調査する。
  論文  参考訳（メタデータ） (2025-07-31T18:17:36Z)
• Vibe Coding as a Reconfiguration of Intent Mediation in Software Development: Definition, Implications, and Research Agenda [4.451779041553598]
  vibeコーディングは、人間と生成AIが協調してソフトウェアアーティファクトを創造する、ソフトウェア開発パラダイムである。 バイブ符号化は人間と機械の労働を再分配することで認知作業を再構成することを示す。 リスクとともに、民主化、加速、システムレバレッジなど、重要な機会を特定します。
  論文  参考訳（メタデータ） (2025-07-29T15:44:55Z)
• Vibe Coding vs. Agentic Coding: Fundamentals and Practical Implications of Agentic AI [0.36868085124383626]
  レビューでは、AI支援ソフトウェア開発の新たなパラダイムとして、バイブコーディングとエージェントコーディングの2つを包括的に分析している。 Vibeのコーディングは、インプットベースで対話的なインタラクションを通じて、直感的で、ループ内の人間間インタラクションを強調する。 エージェントコーディングは、最小限の介入でタスクを計画、実行、テスト、反復できる目標駆動エージェントを通じて、自律的なソフトウェア開発を可能にする。
  論文  参考訳（メタデータ） (2025-05-26T03:00:21Z)
• SENAI: Towards Software Engineering Native Generative Artificial Intelligence [3.915435754274075]
  本稿では,ソフトウェア工学の知識を大規模言語モデルに統合することについて議論する。 本研究の目的は,LLMが単なる機能的精度を超えて生成タスクを実行できる新しい方向を提案することである。 ソフトウェアエンジニアリング ネイティブな生成モデルは、現在のモデルに存在する欠点を克服するだけでなく、現実世界のソフトウェアエンジニアリングを扱うことができる次世代の生成モデルへの道を開くでしょう。
  論文  参考訳（メタデータ） (2025-03-19T15:02:07Z)
• A Survey on Post-training of Large Language Models [185.51013463503946]
  大規模言語モデル(LLM)は、自然言語処理を根本的に変革し、会話システムから科学的探索まで、さまざまな領域で欠かせないものにしている。 これらの課題は、制限された推論能力、倫理的不確実性、最適なドメイン固有のパフォーマンスといった欠点に対処するために、先進的な訓練後言語モデル(PoLM)を必要とする。 本稿では,タスク固有の精度を向上するファインチューニング,倫理的コヒーレンスと人間の嗜好との整合性を保証するアライメント,報酬設計の課題によらず多段階の推論を進める推論,統合と適応の5つのパラダイムを体系的に追跡したPoLMの総合的な調査について述べる。
  論文  参考訳（メタデータ） (2025-03-08T05:41:42Z)
• Towards Advancing Code Generation with Large Language Models: A Research Roadmap [11.844897900380944]
  本研究の方向性を概観し,本課題に関する既存研究の詳細な分析を行う。 コード生成プロセスを異なるフェーズに分類する6層視覚フレームワークを提案する。 この分野ではさまざまな視点と行動可能なレコメンデーションを提供しています。
  論文  参考訳（メタデータ） (2025-01-20T09:33:44Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Generative transformations and patterns in LLM-native approaches for software verification and falsification [1.4595796095047369]
  より規律のあるエンジニアリングプラクティスに向けた基本的なステップは、コア機能単位生成変換の体系的な理解である、と我々は主張する。 まず、素早い相互作用を概念的シグネチャに抽象化する、生成変換のきめ細かい分類法を提案する。 我々の分析は分類学の有用性を検証するだけでなく、戦略的ギャップや相互関係も明らかにする。
  論文  参考訳（メタデータ） (2024-04-14T23:45:23Z)

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。