論文の概要: Agentic Much? Adoption of Coding Agents on GitHub
- arxiv url: http://arxiv.org/abs/2601.18341v1
- Date: Mon, 26 Jan 2026 10:28:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.777898
- Title: Agentic Much? Adoption of Coding Agents on GitHub
- Title（参考訳）: エージェントの多さ? GitHubにおけるコーディングエージェントの採用
- Authors: Romain Robbes, Théo Matricon, Thomas Degueule, Andre Hora, Stefano Zacchiroli,
- Abstract要約: GitHub上でのコーディングエージェントの採用に関する大規模な研究を初めて紹介する。
採用率は15.85%--22.60%と見積もられているが、これは数ヶ月前の技術では極めて高い。
コミットレベルでは、コーディングエージェントによって支援されるコミットは、人間の開発者によって書かれたコミットよりも大きいことが分かります。
- 参考スコア（独自算出の注目度）: 6.395990525268647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the first half of 2025, coding agents have emerged as a category of development tools that have very quickly transitioned to the practice. Unlike ''traditional'' code completion LLMs such as Copilot, agents like Cursor, Claude Code, or Codex operate with high degrees of autonomy, up to generating complete pull requests starting from a developer-provided task description. This new mode of operation is poised to change the landscape in an even larger way than code completion LLMs did, making the need to study their impact critical. Also, unlike traditional LLMs, coding agents tend to leave more explicit traces in software engineering artifacts, such as co-authoring commits or pull requests. We leverage these traces to present the first large-scale study (129,134 projects) of the adoption of coding agents on GitHub, finding an estimated adoption rate of 15.85%--22.60%, which is very high for a technology only a few months old--and increasing. We carry out an in-depth study of the adopters we identified, finding that adoption is broad: it spans the entire spectrum of project maturity; it includes established organizations; and it concerns diverse programming languages or project topics. At the commit level, we find that commits assisted by coding agents are larger than commits only authored by human developers, and have a large proportion of features and bug fixes. These findings highlight the need for further investigation into the practical use of coding agents.
- Abstract（参考訳）: 2025年前半には、コーディングエージェントが開発ツールのカテゴリとして登場し、すぐにそのプラクティスに移行した。
Copilotのような'伝統的な'コード補完LLMとは異なり、Cursor、Claude Code、Codexのようなエージェントは、開発者が提供するタスク記述から始まる完全なプルリクエストを生成するまで、高い自律性で動作する。
この新しい運用モードは、LLMが行なったコード補完よりも、さらに大きな方法でランドスケープを変更することを目的としており、その影響を研究する必要がある。
また、従来のLLMとは異なり、コーディングエージェントはコミットの共著者やプルリクエストなど、ソフトウェアエンジニアリングの成果物に明確な痕跡を残す傾向がある。
これらのトレースを活用して、GitHubにおけるコーディングエージェントの採用に関する最初の大規模な調査(129,134プロジェクト)を行ない、その採用率は15.85%--22.60%と見積もられている。
採用範囲は、プロジェクトの成熟度の範囲全体、確立した組織を含む、さまざまなプログラミング言語やプロジェクトトピックに関するものだ。
コミットレベルでは、コーディングエージェントによって支援されるコミットは、人間の開発者によって書かれたコミットよりも大きく、多くの機能やバグ修正があります。
これらの知見は、コーディングエージェントの実用化に関するさらなる調査の必要性を浮き彫りにしている。
関連論文リスト
- Promises, Perils, and (Timely) Heuristics for Mining Coding Agent Activity [3.5727010297258732]
コーディングエージェントは、LLMベースのコード補完とは明らかに異なる方法で、大言語モデル(LLM)を利用する。
LLMベースの補完とは異なり、コーディングエージェントはソフトウェアリポジトリに可視的トレースを残し、MSR技術を使用してSEプラクティスへの影響を研究することができる。
この記事では、GitHubでコーディングエージェントの活動を研究することで収集した約束、危険、危険について述べる。
論文 参考訳（メタデータ） (2026-01-26T10:34:29Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - On the Use of Agentic Coding: An Empirical Study of Pull Requests on GitHub [6.7302091035327285]
大規模言語モデル(LLM)は、ソフトウェア開発プロセスに統合されつつある。
自律的なAIエージェントを使用して、コードを生成し、人間の介入を最小限に抑えたプルリクエストを提出する能力は、標準のプラクティスになる可能性がある。
エージェントコーディングツールであるClaude Codeを使って生成した567のGitHubプルリクエスト(PR)を、157のオープンソースプロジェクトで実証研究しました。
論文 参考訳（メタデータ） (2025-09-18T08:48:32Z) - AgentMesh: A Cooperative Multi-Agent Generative AI Framework for Software Development Automation [0.0]
ソフトウェア開発タスクの自動化に複数のLCMエージェントを併用したPythonベースのフレームワークを提案する。
AgentMeshでは、Planner、Coder、Debugger、Reviewerといった特殊なエージェントが協力して、ハイレベルな要件を完全に実現されたコードに変換する。
論文 参考訳（メタデータ） (2025-07-26T10:10:02Z) - Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。
我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。
結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
論文 参考訳（メタデータ） (2025-07-10T20:12:54Z) - Evaluating Software Development Agents: Patch Patterns, Code Quality, and Issue Complexity in Real-World GitHub Scenarios [13.949319911378826]
この調査は、500の現実のGitHubイシューで上位10のエージェントから4,892のパッチを評価した。
一人のエージェントが支配的であり、170の問題が未解決であり、改善の余地があった。
ほとんどのエージェントはコードの信頼性とセキュリティを維持し、新しいバグや脆弱性を避けた。
一部のエージェントはコードの複雑さを増し、多くの重複を減らし、コードの臭いを最小限にした。
論文 参考訳（メタデータ） (2024-10-16T11:33:57Z) - VersiCode: Towards Version-controllable Code Generation [58.82709231906735]
大規模言語モデル(LLM)は、コード生成において大きな進歩を遂げていますが、既存の研究は、ソフトウェア開発の動的な性質を説明できません。
バージョン別コード補完(VSCC)とバージョン別コードマイグレーション(VACM)の2つの新しいタスクを提案する。
VersiCodeについて広範な評価を行い、バージョン管理可能なコード生成が確かに重要な課題であることを示した。
論文 参考訳（メタデータ） (2024-06-11T16:15:06Z) - CONCORD: Clone-aware Contrastive Learning for Source Code [64.51161487524436]
セルフ教師付き事前トレーニングは、多くのダウンストリームSEタスクに価値のあるジェネリックコード表現を学ぶための牽引役になった。
汎用的な表現学習のために、開発者が日々どのようにコードをコーディングするかは、要因としても不可欠である、と私たちは主張する。
特に,表現空間に良性クローンを近づける自己教師型コントラスト学習戦略であるCONCORDを提案する。
論文 参考訳（メタデータ） (2023-06-05T20:39:08Z)
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。