論文の概要: SmartDoc: A Context-Aware Agentic Method Comment Generation Plugin
- arxiv url: http://arxiv.org/abs/2511.00450v1
- Date: Sat, 01 Nov 2025 08:33:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-05 16:37:26.783546
- Title: SmartDoc: A Context-Aware Agentic Method Comment Generation Plugin
- Title（参考訳）: SmartDoc: コンテキスト対応のエージェントメソッドコメント生成プラグイン
- Authors: Vahid Etemadi, Gregorio Robles,
- Abstract要約: プログラムの主要なビルディングブロックとしてのメソッドは、コード理解のための知識ソースを開発者に提供します。
We propose a solution as a IntelliJ IDEA plugin, named SmartDoc, which help developers to generate context-aware method comments。
- 参考スコア（独自算出の注目度）: 1.5564942747425397
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context: The software maintenance phase involves many activities such as code refactoring, bug fixing, code review or testing. Program comprehension is key to all these activities, as it demands developers to grasp the knowledge (e.g., implementation details) required to modify the codebase. Methods as main building blocks in a program can offer developers this knowledge source for code comprehension. However, reading entire method statements can be challenging, which necessitates precise and up-to-date comments. Objective: We propose a solution as an IntelliJ IDEA plugin, named SmartDoc, that assists developers in generating context-aware method comments. Method: This plugin acts as an Artificial Intelligence (AI) agent that has its own memory and is augmented by target methods' context. When a request is initiated by the end-user, the method content and all its nested method calls are used in the comment generation. At the beginning, these nested methods are visited and a call graph is generated. This graph is then traversed using depth-first search (DFS), enabling the provision of full-context to enrich Large Language Model (LLM) prompts. Result: The product is a software, as a plugin, developed for Java codebase and installable on IntelliJ IDEA. This plugin can serve concurrently for methods whose comments are being updated , and it shares memory across all flows to avoid redundant calls. o measure the accuracy of this solution, a dedicated test case is run to record SmartDoc generated comments and their corresponding ground truth. For each collected result-set, three metrics are computed, BERTScore, BLEU and ROUGE-1. These metrics will determine how accurate the generated comments are in comparison to the ground truth. Result: The obtained accuracy, in terms of the precision, recall and F1, is promising, and lies in the range of 0.80 to 0.90 for BERTScore.
- Abstract（参考訳）: コンテキスト: ソフトウェアのメンテナンスフェーズには、コードリファクタリング、バグ修正、コードレビュー、テストなど、多くのアクティビティが含まれます。
プログラムの理解は、開発者がコードベースを変更するのに必要な知識(例えば、実装の詳細)を把握する必要があるため、これらすべてのアクティビティの鍵となる。
プログラムの主要なビルディングブロックとしてのメソッドは、コード理解のための知識ソースを開発者に提供します。
しかし、メソッドステートメント全体を読むことは難しいため、正確で最新のコメントが必要である。
Objective: IntelliJ IDEAプラグインとしてSmartDocというソリューションを提案します。
メソッド: このプラグインは、独自のメモリを持ち、ターゲットメソッドのコンテキストによって拡張される人工知能(AI)エージェントとして機能する。
エンドユーザがリクエストを開始すると、メソッドの内容とそのネストされたメソッド呼び出しがコメント生成に使用される。
最初は、これらのネストされたメソッドが訪問され、コールグラフが生成される。
このグラフは、deep-first search (DFS)を使用してトラバースされ、フルコンテキストでLLM(Large Language Model)プロンプトを拡張できる。
結果: この製品は、プラグインとして、Javaコードベース用に開発され、IntelliJ IDEAにインストールできるソフトウェアです。
このプラグインは、コメントが更新されているメソッドに対して並列に機能し、冗長な呼び出しを避けるために、すべてのフローでメモリを共有する。
このソリューションの正確さを計測すると、SmartDocの生成したコメントとその対応する基本真実を記録する専用のテストケースが実行されます。
収集された結果セットごとに、BERTScore、BLEU、ROUGE-1の3つのメトリクスが計算される。
これらの指標は、生成したコメントの正確さを、基礎的な真実と比較して決定する。
結果: 精度、リコール、F1の点で得られた精度は有望であり、BERTScore の 0.80 から 0.90 の範囲にある。
関連論文リスト
- SpareCodeSearch: Searching for Code Context When You Have No Spare GPU [1.8824572526199168]
キーワード検索は,大きなコンテキスト内で,関連性のある有用なコードコンテキストを検索するのに十分であることを示す。
私たちのソリューションで見つかるコードコンテキストの有用性は、コードコンテキストコンペティションのベンチマークでその完成結果を通じて示されます。
論文 参考訳（メタデータ） (2025-10-14T19:48:50Z) - SolBench: A Dataset and Benchmark for Evaluating Functional Correctness in Solidity Code Completion and Repair [51.0686873716938]
コード補完モデルによって生成されたSolidityスマートコントラクトの機能的正しさを評価するベンチマークであるSolBenchを紹介する。
本稿では,スマートコントラクトの機能的正当性を検証するための検索拡張コード修復フレームワークを提案する。
その結果、コード修復と検索技術は、計算コストを削減しつつ、スマートコントラクト完了の正しさを効果的に向上することを示した。
論文 参考訳（メタデータ） (2025-03-03T01:55:20Z) - Commit0: Library Generation from Scratch [77.38414688148006]
Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。
エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。
Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
論文 参考訳（メタデータ） (2024-12-02T18:11:30Z) - ASSERTIFY: Utilizing Large Language Models to Generate Assertions for Production Code [0.7973214627863593]
プロダクションアサーションは、開発者がコードに関する仮定を検証するのを助けるために、コードに埋め込まれたステートメントである。
静的解析やディープラーニングのような現在のアサーション生成技術は、プロダクションアサーションの生成に関して不足している。
このプレプリントは、LLM(Large Language Models)を活用した自動エンドツーエンドツールであるAssertifyを導入し、エンジニアリングにプロダクションアサーションを生成することで、ギャップに対処する。
論文 参考訳（メタデータ） (2024-11-25T20:52:28Z) - Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。
Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
論文 参考訳（メタデータ） (2024-10-02T09:11:10Z) - DocChecker: Bootstrapping Code Large Language Model for Detecting and
Resolving Code-Comment Inconsistencies [13.804337643709717]
DocCheckerは、コードとそれに伴うコメントの違いを検出し、修正するツールである。
コードとコメントの不一致を識別する能力があり、合成されたコメントを生成することもできる。
Inconsistency Code-Comment Detectionタスクでは72.3%の精度で、最先端の新たな結果が得られる。
論文 参考訳（メタデータ） (2023-06-10T05:29:09Z) - APIContext2Com: Code Comment Generation by Incorporating Pre-Defined API
Documentation [0.0]
我々は、異なる複数のエンコーダのセットを持つセック-2-seqエンコーダ-デコーダニューラルネットワークモデルを導入し、異なる入力をターゲットコメントに変換する。
ランク付け機構も開発され,非形式的なAPIを除外して,CodeSearchNetからJavaデータセットを使用してアプローチを評価することができる。
論文 参考訳（メタデータ） (2023-03-03T00:38:01Z) - Interactive Code Generation via Test-Driven User-Intent Formalization [60.90035204567797]
大きな言語モデル(LLM)は、非公式な自然言語(NL)の意図からコードを生成する。
自然言語は曖昧であり、形式的な意味論が欠けているため、正確性の概念を定義するのは難しい。
言語に依存しない抽象アルゴリズムと具体的な実装TiCoderについて述べる。
論文 参考訳（メタデータ） (2022-08-11T17:41:08Z) - ReACC: A Retrieval-Augmented Code Completion Framework [53.49707123661763]
本稿では,語彙のコピーと類似したセマンティクスを持つコード参照の両方を検索により活用する検索拡張コード補完フレームワークを提案する。
我々は,Python および Java プログラミング言語のコード補完タスクにおけるアプローチを評価し,CodeXGLUE ベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-03-15T08:25:08Z)
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。