論文の概要: OpenAI for OpenAPI: Automated generation of REST API specification via LLMs

• arxiv url: http://arxiv.org/abs/2601.12735v1
• Date: Mon, 19 Jan 2026 05:36:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.765114
• Title: OpenAI for OpenAPI: Automated generation of REST API specification via LLMs
• Title（参考訳）: OpenAI for OpenAPI: LLMによるREST API仕様の自動生成
• Authors: Hao Chen, Yunchun Li, Chen Chen, Fengxu Lin, Wei Li,
• Abstract要約: OpenAI OpenAPI Project Scanner (OOPS)はOAS生成のための技術に依存しない静的解析手法である。 OAS生成時の統語と意味幻覚の両方を緩和する。 OOPSは、様々な技術で実装されたREST APIの高品質なOASを正確に生成します。
• 参考スコア（独自算出の注目度）: 9.56338126225389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: REST APIs, based on the REpresentational State Transfer (REST) architecture, are the primary type of Web API. The OpenAPI Specification (OAS) serves as the de facto standard for describing REST APIs and is crucial for multiple software engineering tasks. However, developers face challenges in writing and maintaining OAS. Although static analysis shows potential for OAS generation, it is limited to specific programming languages and development frameworks. The powerful code understanding capabilities of LLMs offer new opportunities for OAS generation, yet they are constrained by context limitations and hallucinations. To address these challenges, we propose the OpenAI OpenAPI Project Scanner (OOPS), the first technology-agnostic LLM-based static analysis method for OAS generation, requiring fewer technology-specific rules and less human expert intervention. OOPS is implemented as an LLM agent workflow comprising two key steps: endpoint method extraction and OAS generation. By constructing an API dependency graph, it establishes necessary file associations to address LLMs' context limitations. Through multi-stage generation and self-refine, it mitigates both syntactic and semantic hallucinations during OAS generation. We evaluated OOPS on 12 real-world REST APIs spanning 5 programming languages and 8 development frameworks. Experimental results demonstrate that OOPS accurately generates high-quality OAS for REST APIs implemented with diverse technologies, achieving an average F1-score exceeding 98% for endpoint method inference, 97% for both request parameter and response inference, and 92% for parameter constraint inference. The input tokens average below 5.6K with a maximum of 16.2K, while the output tokens average below 0.9K with a maximum of 7.7K.
• Abstract（参考訳）: REST APIはRepresentational State Transfer (REST)アーキテクチャに基づいており、Web APIの主要なタイプである。 OpenAPI Specification(OAS)は、REST APIを記述するデファクトスタンダードとして機能し、複数のソフトウェアエンジニアリングタスクに不可欠である。 しかし、開発者はOASを書いてメンテナンスする際の課題に直面している。 静的解析はOAS生成の可能性を示しているが、特定のプログラミング言語や開発フレームワークに限定されている。 LLMの強力なコード理解能力は、OAS生成の新しい機会を提供しますが、それらはコンテキスト制限と幻覚によって制約されます。 これらの課題に対処するため,OpenAI OpenAPI Project Scanner (OOPS) を提案する。 OOPSは、エンドポイントメソッド抽出とOAS生成という2つの重要なステップからなるLLMエージェントワークフローとして実装されている。 API依存グラフを構築することで、LLMのコンテキスト制限に対処するために必要なファイルアソシエーションを確立する。 多段階生成と自己精製により、OAS生成時の統語と意味幻覚の両方を緩和する。 5つのプログラミング言語と8つの開発フレームワークにまたがる12の現実世界のREST API上でOOPSを評価しました。 実験の結果、OOPSは様々な技術で実装されたREST APIの高品質なOASを正確に生成し、エンドポイントメソッド推論では平均98%、リクエストパラメータとレスポンス推論の両方では97%、パラメータ制約推論では92%を達成している。 入力トークンは最大16.2Kで5.6K以下、出力トークンは最大7.7Kで0.9K以下である。

関連論文リスト

• LRASGen: LLM-based RESTful API Specification Generation [3.420331911153286]
  我々は,Large Language Models (LLM) を用いたAPIの OpenAPI Specification (OAS) 仕様を生成するための新しいアプローチを提案する。 既存のツールやメソッドと比較して、LRASGenは実装が不完全である場合でもOASを生成することができる(部分的なコード、アノテーション/コメントなど)。 LRASGenで作成された仕様は、開発者が提供する仕様よりも平均48.85%の欠落したエンティティをカバーしている。
  論文  参考訳（メタデータ） (2025-04-23T15:52:50Z)
• Reinforcement Learning for Long-Horizon Interactive LLM Agents [56.9860859585028]
  インタラクティブデジタルエージェント(IDA)は、ステートフルなデジタル環境のAPIを利用して、ユーザの要求に応じてタスクを実行する。 対象環境で直接IDAを訓練する強化学習(RL)手法を提案する。 我々は、近似ポリシー最適化のデータおよびメモリ効率の亜種である LOOP を導出する。
  論文  参考訳（メタデータ） (2025-02-03T18:35:42Z)
• ExploraCoder: Advancing code generation for multiple unseen APIs via planning and chained exploration [70.26807758443675]
  ExploraCoderはトレーニング不要のフレームワークで、大規模な言語モデルにコードソリューションで見えないAPIを呼び出す権限を与える。 実験の結果、ExploreaCoderは、事前のAPI知識に欠けるモデルのパフォーマンスを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2024-12-06T19:00:15Z)
• Are Human Rules Necessary? Generating Reusable APIs with CoT Reasoning and In-Context Learning [14.351476383642016]
  そこで我々は,Stack OverflowコードスニペットのAPIzationを自動的に実行する,Code2APIという新しいアプローチを提案する。 Code2APIは、追加のモデルトレーニングや手作業のルールを必要としない。 他の外部ツールに頼ることなく、パーソナルコンピュータに簡単にデプロイできる。
  論文  参考訳（メタデータ） (2024-05-06T14:22:17Z)
• Octopus: On-device language model for function calling of software APIs [9.78611123915888]
  大きな言語モデル(LLM)は、高度なテキスト処理と生成能力のために重要な役割を果たす。 本研究は,ソフトウェアAPIの起動において,デバイス上でのLCMを活用するための新たな戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-02T01:29:28Z)
• Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
  RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。 評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
  論文  参考訳（メタデータ） (2023-12-01T19:53:23Z)
• Let's Discover More API Relations: A Large Language Model-based AI Chain for Unsupervised API Relation Inference [19.05884373802318]
  本稿では,大規模言語モデル(LLM)をAPI関係推論のニューラルネットワーク基盤として活用することを提案する。 このアプローチは、LLMを知識ベースとして事前訓練するために使用されるWeb全体を活用し、入力テキストのコンテキストや複雑さに敏感である。 我々は3つのデータセットで平均F1値0.76を達成し、最先端のF1値0.40よりもかなり高い値を得た。
  論文  参考訳（メタデータ） (2023-11-02T14:25:00Z)

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。