論文の概要: Agentic Software Issue Resolution with Large Language Models: A Survey

• arxiv url: http://arxiv.org/abs/2512.22256v1
• Date: Wed, 24 Dec 2025 08:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.940176
• Title: Agentic Software Issue Resolution with Large Language Models: A Survey
• Title（参考訳）: 大規模言語モデルを用いたエージェントソフトウェア問題解決に関する調査
• Authors: Zhonghao Jiang, David Lo, Zhongxin Liu,
• Abstract要約: ソフトウェア問題解決は,ユーザが提供する自然言語記述に基づいて,ソフトウェアリポジトリの現実的な問題に対処することを目的としている。 推論と生成能力の大規模言語モデル(LLM)は、自動ソフトウェア問題解決において大きな進歩をもたらした。 近年,LSMベースのエージェントシステムがソフトウェア問題解決の主流となっている。
• 参考スコア（独自算出の注目度）: 9.583478737157531
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software issue resolution aims to address real-world issues in software repositories (e.g., bug fixing and efficiency optimization) based on natural language descriptions provided by users, representing a key aspect of software maintenance. With the rapid development of large language models (LLMs) in reasoning and generative capabilities, LLM-based approaches have made significant progress in automated software issue resolution. However, real-world software issue resolution is inherently complex and requires long-horizon reasoning, iterative exploration, and feedback-driven decision making, which demand agentic capabilities beyond conventional single-step approaches. Recently, LLM-based agentic systems have become mainstream for software issue resolution. Advancements in agentic software issue resolution not only greatly enhance software maintenance efficiency and quality but also provide a realistic environment for validating agentic systems' reasoning, planning, and execution capabilities, bridging artificial intelligence and software engineering. This work presents a systematic survey of 126 recent studies at the forefront of LLM-based agentic software issue resolution research. It outlines the general workflow of the task and establishes a taxonomy across three dimensions: benchmarks, techniques, and empirical studies. Furthermore, it highlights how the emergence of agentic reinforcement learning has brought a paradigm shift in the design and training of agentic systems for software engineering. Finally, it summarizes key challenges and outlines promising directions for future research.
• Abstract（参考訳）: ソフトウェア問題解決は、ユーザが提供する自然言語記述に基づいて、ソフトウェアリポジトリ(例えば、バグ修正と効率の最適化)における現実の問題に対処することを目的としており、ソフトウェアメンテナンスの重要な側面を表している。 推論と生成能力における大規模言語モデル(LLM)の急速な開発により、LLMベースのアプローチは、自動ソフトウェア問題解決において大きな進歩を遂げた。 しかし、現実世界のソフトウェア問題解決は本質的に複雑で、長い水平推論、反復探索、フィードバック駆動意思決定が必要であり、従来の単一ステップアプローチ以上のエージェント能力を必要とする。 近年,LSMベースのエージェントシステムがソフトウェア問題解決の主流となっている。 エージェントソフトウェア問題解決の進歩は、ソフトウェアのメンテナンス効率と品質を大幅に向上させるだけでなく、エージェントシステムの推論、計画、実行能力の検証、人工知能とソフトウェアエンジニアリングのブリッジングのための現実的な環境を提供する。 本研究は,LSMをベースとしたエージェントソフトウェア問題解決研究の最前線で,126の最近の研究を体系的に調査した。 タスクの一般的なワークフローを概説し、ベンチマーク、テクニック、経験的研究という3つの側面にまたがる分類を確立します。 さらに、エージェント強化学習の出現が、ソフトウェア工学のためのエージェントシステムの設計と訓練にパラダイムシフトをもたらした点を強調している。 最後に、重要な課題を要約し、将来の研究の有望な方向性を概説する。

関連論文リスト

• Studying and Automating Issue Resolution for Software Quality [1.7767466724342065]
  本研究は3つの相補的な方向を通して課題に取り組むことを目的とする。 まず, LLM推論とアプリケーション固有の情報を活用する手法を提案することにより, 報告品質の向上を図る。 第2に、従来のAI拡張システムとAI拡張システムの両方において、開発者を経験的に特徴づけます。 第3に、バギーUIのローカライゼーションやソリューション識別など、認知的要求の解決タスクを自動化する。
  論文  参考訳（メタデータ） (2025-12-11T02:44:40Z)
• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Large Language Models in Operations Research: Methods, Applications, and Challenges [9.208082097215314]
  オペレーションリサーチ(OR)は、輸送、サプライチェーン管理、生産スケジュールなど、複雑なシステム決定を支援する。 専門家主導のモデリングと手動パラメータチューニングに依存する従来のアプローチは、しばしば大規模、動的、マルチ制約の問題に悩まされる。 本稿では,大規模言語モデル(LLM)をORに適用し,既存の手法を3つの経路に分類する。
  論文  参考訳（メタデータ） (2025-09-18T01:52:19Z)
• 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)
• Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
  Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。 Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
  論文  参考訳（メタデータ） (2024-11-01T14:27:16Z)
• Agent-Driven Automatic Software Improvement [55.2480439325792]
  本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。 継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。 我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
  論文  参考訳（メタデータ） (2024-06-24T15:45:22Z)
• LLM-Based Multi-Agent Systems for Software Engineering: Literature Review, Vision and the Road Ahead [14.834072370183106]
  本稿では,LMA(Multi-Agent)システムへのLarge Language Modelの統合の可能性について検討する。 複数のエージェントの協調的かつ専門的な能力を活用することで、LMAシステムは自律的な問題解決を可能にし、堅牢性を改善し、現実世界のソフトウェアプロジェクトの複雑さを管理するスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2024-04-07T07:05:40Z)

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。