論文の概要: Bridging the Prototype-Production Gap: A Multi-Agent System for Notebooks Transformation

• arxiv url: http://arxiv.org/abs/2511.07257v1
• Date: Mon, 10 Nov 2025 16:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:45.355078
• Title: Bridging the Prototype-Production Gap: A Multi-Agent System for Notebooks Transformation
• Title（参考訳）: プロトタイプ・プロダクションギャップのブリッジ:ノートブック変換のためのマルチエージェントシステム
• Authors: Hanya Elhashemy, Youssef Lotfy, Yongjian Tang,
• Abstract要約: 本稿では,JupyterノートブックをPythonコードリポジトリに自動的に変換する,新しいマルチエージェントシステムであるCodelevateを提案する。 私たちのシステムでは,アーキテクチャの一貫性とコード品質を保証するために,アーキテクチャ,開発者,構造という3つの専門エージェントを共用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing adoption of Jupyter notebooks in data science and machine learning workflows has created a gap between exploratory code development and production-ready software systems. While notebooks excel at iterative development and visualization, they often lack proper software engineering principles, making their transition to production environments challenging. This paper presents Codelevate, a novel multi-agent system that automatically transforms Jupyter notebooks into well-structured, maintainable Python code repositories. Our system employs three specialized agents - Architect, Developer, and Structure - working in concert through a shared dependency tree to ensure architectural coherence and code quality. Our experimental results validate Codelevate's capability to bridge the prototype-to-production gap through autonomous code transformation, yielding quantifiable improvements in code quality metrics while preserving computational semantics.
• Abstract（参考訳）: データサイエンスと機械学習のワークフローにおけるJupyterのノートブックの採用が増加し、探索的コード開発と本番対応のソフトウェアシステムの間にギャップが生じた。 ノートブックは反復的な開発と視覚化に優れていますが、適切なソフトウェアエンジニアリングの原則を欠いていることが多いため、運用環境への移行は困難です。 本稿では,Jupyterノートブックを構造化した,メンテナンス可能なPythonコードリポジトリに自動変換する,新しいマルチエージェントシステムであるCodelevateを提案する。 私たちのシステムでは,アーキテクチャの一貫性とコード品質を保証するために,アーキテクチャ,開発者,構造という3つの専門エージェントを共用する。 実験結果から,自動コード変換によるプロトタイプとプロダクションのギャップを埋めるCodelevateの能力を検証する。

関連論文リスト

• Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
  機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。 次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
  論文  参考訳（メタデータ） (2025-04-24T01:57:01Z)
• 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)
• CodePori: Large-Scale System for Autonomous Software Development Using Multi-Agent Technology [4.2990995991059275]
  大規模言語モデル(LLM)とGPT(Generative Pre-trained Transformer)は、ソフトウェア工学の分野を変えました。 我々は,大規模かつ複雑なソフトウェアプロジェクトのコード生成を自動化するように設計された,新しいシステムであるCodePoriを紹介する。 結果: CodePoriは、典型的なソフトウェア開発プロセスに合わせて、大規模プロジェクトの実行コードを生成することができる。
  論文  参考訳（メタデータ） (2024-02-02T13:42:50Z)
• CodeTF: One-stop Transformer Library for State-of-the-art Code LLM [72.1638273937025]
  我々は、最先端のCode LLMとコードインテリジェンスのためのオープンソースのTransformerベースのライブラリであるCodeTFを紹介する。 我々のライブラリは、事前訓練されたコードLLMモデルと人気のあるコードベンチマークのコレクションをサポートします。 CodeTFが機械学習/生成AIとソフトウェア工学のギャップを埋められることを願っている。
  論文  参考訳（メタデータ） (2023-05-31T05:24:48Z)

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。