論文の概要: Beyond Greenfield: AI-Driven Productivity in Documentation and Brownfield Engineering

• arxiv url: http://arxiv.org/abs/2512.01155v1
• Date: Mon, 01 Dec 2025 00:26:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.611441
• Title: Beyond Greenfield: AI-Driven Productivity in Documentation and Brownfield Engineering
• Title（参考訳）: Beyond Greenfield: ドキュメンテーションとブラウンフィールドエンジニアリングにおけるAI駆動の生産性
• Authors: Krishna Kumaar Sharma,
• Abstract要約: レガシーシステム、ドキュメンテーション、断片化されたアーキテクチャ知識を含むブラウンフィールドのエンジニアリング作業は、大きな言語モデル(LLM)を効果的に活用するためにユニークな課題を提起する。 本稿では、役割分離型プロンプト戦略と、ブラウンフィールドシステムのあいまいさをナビゲートするためのベストプラクティスを組み合わせた、規律付きLLM支援ワークフローであるDiscover-Define-Deliver(D3)フレームワークを紹介する。 回答者は、明確さ、品質、ドキュメント、認知的負荷の改善と、自己見積の生産性の向上を報告した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Brownfield engineering work involving legacy systems, incomplete documentation, and fragmented architectural knowledge poses unique challenges for the effective use of large language models (LLMs). Prior research has largely focused on greenfield or synthetic tasks, leaving a gap in structured workflows for complex, context-heavy environments. This paper introduces the Discover-Define-Deliver (D3) Framework, a disciplined LLM-assisted workflow that combines role-separated prompting strategies with applied best practices for navigating ambiguity in brownfield systems. The framework incorporates a dual-agent prompting architecture in which a Builder model generates candidate outputs and a Reviewer model provides structured critique to improve reliability. I conducted an exploratory survey study with 52 software practitioners who applied the D3 workflow to real-world engineering tasks such as legacy system exploration, documentation reconstruction, and architectural refactoring. Respondents reported perceived improvements in task clarity, documentation quality, and cognitive load, along with self-estimated productivity gains. In this exploratory study, participants reported a weighted average productivity improvement of 26.9%, reduced cognitive load for approximately 77% of participants, and reduced rework for 83% during the Define phase. As these findings are self-reported and not derived from controlled experiments, they should be interpreted as preliminary evidence of practitioner sentiment rather than causal effects. The results highlight both the potential and limitations of structured LLM workflows for legacy engineering systems and motivate future controlled evaluations.
• Abstract（参考訳）: レガシーシステム、不完全なドキュメンテーション、断片化されたアーキテクチャ知識を含むブラウンフィールドのエンジニアリング作業は、大きな言語モデル(LLM)を効果的に活用するための固有の課題を提起する。 以前の研究では、グリーンフィールドや合成タスクに主に焦点を合わせており、複雑なコンテキストの多い環境のための構造化ワークフローのギャップを残している。 本稿では、役割分離型プロンプト戦略と、ブラウンフィールドシステムのあいまいさをナビゲートするためのベストプラクティスを組み合わせた、規律付きLLM支援ワークフローであるDiscover-Define-Deliver(D3)フレームワークを紹介する。 このフレームワークには、ビルダーモデルが候補出力を生成するデュアルエージェントプロンプトアーキテクチャと、信頼性を向上させるための構造化された批評を提供するReviewerモデルが含まれている。 52人のソフトウェア実践者がD3ワークフローをレガシシステム探索、ドキュメント再構築、アーキテクチャリファクタリングといった実際のエンジニアリングタスクに適用した調査を行った。 回答者は、自己見積の生産性向上とともに、タスクの明確さ、ドキュメントの品質、認知的負荷の改善が認められたと報告した。 この調査では、被験者は平均生産性が26.9%向上し、認知負荷が約77%減少し、デフィンフェーズでは83%改善した。 これらの知見は自己申告され、制御された実験から導出されていないため、因果効果よりも実践者感情の予備的証拠として解釈されるべきである。 その結果,レガシエンジニアリングシステムにおける構造化LLMワークフローの可能性と限界を浮き彫りにして,将来的な制御評価のモチベーションを図った。

関連論文リスト

• Benchmarking and Studying the LLM-based Agent System in End-to-End Software Development [33.01897134024342]
  エンドツーエンドソフトウェア開発のためのLLMベースの自律エージェントの開発は、ソフトウェア工学における重要なパラダイムシフトである。 この作業はコミュニティに、より現実的なベンチマーク、包括的な評価フレームワーク、そしてソフトウェア開発エージェントの現在の能力とコア課題に対する重要な洞察を提供する。
  論文  参考訳（メタデータ） (2025-11-06T05:10:04Z)
• VeriOpt: PPA-Aware High-Quality Verilog Generation via Multi-Role LLMs [41.94295877935867]
  VeriOptは、ロールベースのプロンプトとPPA対応最適化を利用して、高品質で合成可能なVerilogを生成する新しいフレームワークである。 私たちの研究は、正しさと品質の重大なギャップに対処することで、最先端のAI駆動型ハードウェア設計を前進させます。
  論文  参考訳（メタデータ） (2025-07-20T00:28:55Z)
• The Impact of LLM-Assistants on Software Developer Productivity: A Systematic Literature Review [4.503986781849658]
  大規模言語モデルアシスタント(LLMアシスタント)は、ソフトウェア開発を変革する新たな機会を提供する。 関心が高まっているにもかかわらず、LCMアシストがソフトウェア開発の生産性にどのように影響するかは合成されていない。 分析の結果,LSM補助剤は有意な利益と重大なリスクの両方をもたらすことが明らかとなった。
  論文  参考訳（メタデータ） (2025-07-03T20:25:49Z)
• ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [56.961539386979354]
  ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。 提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。 現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
  論文  参考訳（メタデータ） (2025-06-02T05:11:21Z)
• Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
  本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。 このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。 以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
  論文  参考訳（メタデータ） (2025-05-12T14:05:23Z)
• Assessing LLMs for Front-end Software Architecture Knowledge [0.0]
  大規模言語モデル(LLM)は、ソフトウェア開発タスクの自動化において大きな可能性を証明している。 本研究では,VIPER アーキテクチャ内の構造を理解し,再現し,生成する LLM の機能について検討する。 実験の結果、ChatGPT 4 Turbo 2024-04-09 を用いて、LLM は評価や作成といった高次タスクに優れていたが、アーキテクチャの詳細の正確な検索を必要とする低次タスクでは課題に直面していたことが明らかとなった。
  論文  参考訳（メタデータ） (2025-02-26T19:33:35Z)
• Unveiling and Consulting Core Experts in Retrieval-Augmented MoE-based LLMs [64.9693406713216]
  RAGシステムの有効性に寄与する内部メカニズムは未解明のままである。 実験の結果,複数のコアグループの専門家がRAG関連行動に主に関与していることが判明した。 本稿では,専門家の活性化を通じてRAGの効率性と有効性を高めるためのいくつかの戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-20T16:08:54Z)
• MENTOR: Mixture-of-Experts Network with Task-Oriented Perturbation for Visual Reinforcement Learning [17.437573206368494]
  視覚深部強化学習(RL)は、ロボットが非構造化タスクの視覚入力からスキルを習得することを可能にする。 本稿では,RLエージェントのアーキテクチャと最適化の両方を改善する手法であるMENTORを提案する。 MenTORは3つのシミュレーションベンチマークで最先端の手法を上回り、挑戦的な3つの現実世界のロボット操作タスクで平均83%の成功率を達成した。
  論文  参考訳（メタデータ） (2024-10-19T04:31:54Z)
• Re-TASK: Revisiting LLM Tasks from Capability, Skill, and Knowledge Perspectives [54.14429346914995]
  CoT(Chain-of-Thought)は、大規模言語モデル(LLM)による複雑な問題を解決する重要な方法となっている。 本稿では,LLMタスクを能力,スキル,知識の観点から再考する理論モデルであるRe-TASKフレームワークを紹介する。 多様な領域にわたる実験は、Re-TASKの有効性を示す。
  論文  参考訳（メタデータ） (2024-08-13T13:58:23Z)
• Improving Open Information Extraction with Large Language Models: A Study on Demonstration Uncertainty [52.72790059506241]
  オープン情報抽出(OIE)タスクは、構造化されていないテキストから構造化された事実を抽出することを目的としている。 一般的なタスク解決手段としてChatGPTのような大きな言語モデル(LLM)の可能性にもかかわらず、OIEタスクの最先端(教師付き)メソッドは遅れている。
  論文  参考訳（メタデータ） (2023-09-07T01:35:24Z)

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。