論文の概要: Beyond Prototyping: Autonomous, Enterprise-Grade Frontend Development from Pixel to Production via a Specialized Multi-Agent Framework
- arxiv url: http://arxiv.org/abs/2512.06046v1
- Date: Fri, 05 Dec 2025 09:56:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.167353
- Title: Beyond Prototyping: Autonomous, Enterprise-Grade Frontend Development from Pixel to Production via a Specialized Multi-Agent Framework
- Title（参考訳）: プロトタイピングを超えて - 特殊なマルチエージェントフレームワークによるPixelからプロダクションへの、自律的でエンタープライズグレードのフロントエンド開発
- Authors: Ramprasath Ganesaraja, Swathika N, Saravanan AP, Kamalkumar Rathinasamy, Chetana Amancharla, Rahul Das, Sahil Dilip Panse, Aditya Batwe, Dileep Vijayan, Veena Ashok, Thanushree A P, Kausthubh J Rao, Alden Olivero, Roshan, Rajeshwar Reddy Manthena, Asmitha Yuga Sre A, Harsh Tripathi, Suganya Selvaraj, Vito Chin, Kasthuri Rangan Bhaskar, Kasthuri Rangan Bhaskar, Venkatraman R, Sajit Vijayakumar,
- Abstract要約: 我々は、エンタープライズグレードのアプリケーションデリバリの厳格な要件を満たすために構築された、自律的なフロントエンド開発エージェントのフレームワークであるAI4UIを紹介する。
高速プロトタイピング用に設計された汎用コードアシスタントとは異なり、AI4UIは、エンタープライズにシームレスに統合されたセキュアでスケーラブルで、準拠し、メンテナンス可能なUIコードを提供する製品の準備性に焦点を当てている。
- 参考スコア（独自算出の注目度）: 0.01059638456503418
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present AI4UI, a framework of autonomous front-end development agents purpose-built to meet the rigorous requirements of enterprise-grade application delivery. Unlike general-purpose code assistants designed for rapid prototyping, AI4UI focuses on production readiness delivering secure, scalable, compliant, and maintainable UI code integrated seamlessly into enterprise workflows. AI4UI operates with targeted human-in-the-loop involvement: at the design stage, developers embed a Gen-AI-friendly grammar into Figma prototypes to encode requirements for precise interpretation; and at the post processing stage, domain experts refine outputs for nuanced design adjustments, domain-specific optimizations, and compliance needs. Between these stages, AI4UI runs fully autonomously, converting designs into engineering-ready UI code. Technical contributions include a Figma grammar for autonomous interpretation, domain-aware knowledge graphs, a secure abstract/package code integration strategy, expertise driven architecture templates, and a change-oriented workflow coordinated by specialized agent roles. In large-scale benchmarks against industry baselines and leading competitor systems, AI4UI achieved 97.24% platform compatibility, 87.10% compilation success, 86.98% security compliance, 78.00% feature implementation success, 73.50% code-review quality, and 73.36% UI/UX consistency. In blind preference studies with 200 expert evaluators, AI4UI emerged as one of the leaders demonstrating strong competitive standing among leading solutions. Operating asynchronously, AI4UI generates thousands of validated UI screens in weeks rather than months, compressing delivery timeline
- Abstract（参考訳）: 我々は、エンタープライズグレードのアプリケーションデリバリの厳格な要件を満たすために構築された、自律的なフロントエンド開発エージェントのフレームワークであるAI4UIを紹介する。
高速プロトタイピング用に設計された汎用コードアシスタントとは異なり、AI4UIは、エンタープライズワークフローにシームレスに統合されたセキュアでスケーラブルで、準拠し、メンテナンス可能なUIコードを提供する製品の準備性に焦点を当てている。
AI4UIは、設計段階では、Gen-AIフレンドリな文法をFigmaプロトタイプに組み込んで、正確な解釈の要求をエンコードする。
これらの段階の間、AI4UIは完全に自律的に動作し、設計をエンジニアリング対応のUIコードに変換する。
技術的コントリビューションには、自律的な解釈のためのFigma文法、ドメイン認識の知識グラフ、セキュアな抽象/パッケージコード統合戦略、専門的なアーキテクチャテンプレート、特殊なエージェントロールによって調整された変更指向ワークフローなどがある。
業界ベースラインと主要な競合システムに対する大規模なベンチマークでは、AI4UIは97.24%のプラットフォーム互換性、87.10%のコンパイル成功、86.98%のセキュリティコンプライアンス、78.00%の機能実装成功、73.50%のコードレビュー品質、73.36%のUI/UX一貫性を達成した。
200人の専門家評価者による盲目の選好研究において、AI4UIは、主要なソリューション間の強力な競争力を示すリーダーの1つとして登場した。
AI4UIは非同期で動作し、数ヶ月ではなく数週間で数千の検証済みUIスクリーンを生成し、デリバリタイムラインを圧縮する
関連論文リスト
- Engineering.ai: A Platform for Teams of AI Engineers in Computational Design [8.217119500224284]
計算設計におけるAIエンジニアのチームのためのプラットフォームであるEngineering.aiを紹介します。
このフレームワークは階層的なマルチエージェントアーキテクチャを採用しており、チーフエンジニアが特殊エージェントをコーディネートする。
このシステムはFreeCAD、Gmsh、OpenFOAM、CalculiX、BPM音響解析を統合し、並列多分野シミュレーションを可能にする。
論文 参考訳（メタデータ） (2025-10-31T08:00:48Z) - Intuition to Evidence: Measuring AI's True Impact on Developer Productivity [30.02516976149379]
本稿では,企業規模でのAI支援ソフトウェア開発ツールの総合的実環境評価について述べる。
1年以上にわたり、複数のチームにわたる300人のエンジニアが、コード生成と自動レビュー機能を組み合わせた社内AIプラットフォーム(DeputyDev)を統合した。
論文 参考訳（メタデータ） (2025-09-24T02:34:11Z) - WebUIBench: A Comprehensive Benchmark for Evaluating Multimodal Large Language Models in WebUI-to-Code [57.45181837786448]
MLLM(Multimodal Large Language Models)は、複雑なWebアプリケーション開発を実行するAIソフトウェアエンジニアとして機能する可能性がある。
既存のベンチマークは、通常、サブ能力の評価を提供し、Webページ生成結果のみに焦点を当てない。
WebUIパーセプション、HTMLプログラミング、WebUI-HTML理解、WebUI-to-Codeの4つの主要な領域でMLLMを評価するために体系的に設計されたベンチマークであるWebUIBenchを提案する。
論文 参考訳（メタデータ） (2025-06-09T14:46:02Z) - Towards Optimal Circuit Generation: Multi-Agent Collaboration Meets Collective Intelligence [3.8189729729856534]
大規模言語モデル (LLM) はコード生成を変換しているが、ハードウェア設計におけるその応用は、人間の設計よりも38%から1075%高いゲート数を生成する。
本稿では,3つの重要なイノベーションを通じて,人間の競争効率を実現するマルチエージェントフレームワークであるCircuitMindを紹介する。
論文 参考訳（メタデータ） (2025-04-20T14:05:17Z) - Weak-for-Strong: Training Weak Meta-Agent to Harness Strong Executors [104.5401871607713]
本稿では、より小型でコスト効率の良い言語モデルをカスタマイズし、より強力なモデルを利用するための設計と最適化を行う新しいフレームワークであるWeakfor-Strong Harnessing (W4S)を提案する。
W4Sはマルチターンマルコフ決定プロセスとして設計を定式化し、エージェントワークフロー最適化のための強化学習を導入する。
経験的な結果から、GPU時間でトレーニングされた7Bメタエージェントは、11ベンチマークで2.9%、最強のベースラインを2.9%上回るW4Sの優位性を示している。
論文 参考訳（メタデータ） (2025-04-07T07:27:31Z) - UI-TARS: Pioneering Automated GUI Interaction with Native Agents [58.18100825673032]
本稿では,GUIエージェントのネイティブモデルであるUI-TARSを紹介する。
OSWorldベンチマークでは、UI-TARSはスコアが24.6、50ステップが22.7、15ステップが22.7でクロード(それぞれ22.0と14.9)を上回っている。
論文 参考訳（メタデータ） (2025-01-21T17:48:10Z) - AutoGLM: Autonomous Foundation Agents for GUIs [51.276965515952]
我々は、グラフィカルユーザインタフェース(GUI)を介してデジタルデバイスを自律的に制御するための基礎エージェントとして設計された、ChatGLMファミリーの新しいシリーズであるAutoGLMを紹介する。
実世界のGUIインタラクションのための実践的基礎エージェントシステムとしてAutoGLMを開発した。
評価では、AutoGLMが複数のドメインにまたがって有効であることを示す。
論文 参考訳（メタデータ） (2024-10-28T17:05:10Z) - Bridging Design and Development with Automated Declarative UI Code Generation [18.940075474582564]
宣言的なUIフレームワークはモバイルアプリ開発で広く採用されており、コード可読性の改善やメンテナンスの容易化といったメリットを提供している。
マルチモーダルな大規模言語モデル(MLLM)の最近の進歩は、ユーザインターフェース(UI)設計から直接モバイルアプリコードを生成することを約束している。
本稿では,コンピュータビジョン(CV),MLLM,反復的コンパイラ駆動最適化を併用して,宣言型UIコードを設計から生成・洗練する自動アプローチであるDeclaUIを提案する。
論文 参考訳（メタデータ） (2024-09-18T03:04:12Z) - ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。
ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。
ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
論文 参考訳（メタデータ） (2024-09-02T17:44:10Z) - Toward 6G Native-AI Network: Foundation Model based Cloud-Edge-End Collaboration Framework [55.73948386625618]
データ、AIモデル、運用パラダイムの観点から、6GネイティブAIを達成する上での課題を分析します。
基礎モデルに基づく6GネイティブAIフレームワークを提案し、専門家の知識の統合方法を提供し、2種類のPFMのカスタマイズを提示し、ネイティブAIフレームワークの新たな運用パラダイムを概説する。
論文 参考訳（メタデータ） (2023-10-26T15:19:40Z)
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。