論文の概要: On the Impact of AGENTS.md Files on the Efficiency of AI Coding Agents
- arxiv url: http://arxiv.org/abs/2601.20404v1
- Date: Wed, 28 Jan 2026 09:09:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-29 15:46:06.867539
- Title: On the Impact of AGENTS.md Files on the Efficiency of AI Coding Agents
- Title（参考訳）: エージェントS.mdファイルがAI符号化エージェントの効率に及ぼす影響について
- Abstract要約: 我々は、GitHubのプルリクエストで動作するAIコーディングエージェントのランタイムとトークン消費に対する AgentS.mdファイルの影響を調査した。
以上の結果から, AgentS.md の存在は, 中央値の低いランタイムと出力トークン消費の減少と関連していることがわかった。
- 参考スコア（独自算出の注目度）: 16.82096806929777
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI coding agents such as Codex and Claude Code are increasingly used to autonomously contribute to software repositories. However, little is known about how repository-level configuration artifacts affect operational efficiency of the agents. In this paper, we study the impact of AGENTS.md files on the runtime and token consumption of AI coding agents operating on GitHub pull requests. We analyze 10 repositories and 124 pull requests, executing agents under two conditions: with and without an AGENTS.md file. We measure wall-clock execution time and token usage during agent execution. Our results show that the presence of AGENTS.md is associated with a lower median runtime ($Δ28.64$%) and reduced output token consumption ($Δ16.58$%), while maintaining a comparable task completion behavior. Based on these results, we discuss immediate implications for the configuration and deployment of AI coding agents in practice, and outline a broader research agenda on the role of repository-level instructions in shaping the behavior, efficiency, and integration of AI coding agents in software development workflows.
- Abstract（参考訳）: CodexやClaude CodeといったAIコーディングエージェントは、ソフトウェアリポジトリへの自律的なコントリビューションにますます使用されている。
しかし、リポジトリレベルの構成アーティファクトがエージェントの運用効率に与える影響についてはほとんど分かっていない。
本稿では,GitHubのプルリクエストで動作するAIコーディングエージェントのランタイムとトークン消費に及ぼす AgentS.mdファイルの影響について検討する。
我々は10のリポジトリと124のプルリクエストを分析し、2つの条件でエージェントを実行する。
エージェントの実行中にウォールクロックの実行時間とトークンの使用量を計測する。
以上の結果から, AgentS.md の存在は,タスク完了動作を同等に保ちつつ,より低い中央値ランタイム (Δ28.64$%) と出力トークン消費 (Δ16.58$%) に関連があることが示唆された。
これらの結果に基づいて,AIコーディングエージェントの構成と展開の即時的意味を論じ,ソフトウェア開発ワークフローにおけるAIコーディングエージェントの動作,効率,統合を形作る上でのリポジトリレベルの命令の役割について,より広範な研究課題を概説する。
関連論文リスト
- ToFu: A White-Box, Token-Efficient Agent Harness for Researchers [73.72929185946842]
ToFuは、ファイルを読み、ファイルを編集し、コマンドを実行し、開発ツールと統合する研究者のためのエージェントハーネスだ。
研究助手として、より優れたトークン効率、低コスト、多言語能力で実践的な研究を支援する。
研究対象として、ToFuはホワイトボックスのエージェントハーネスを提供しており、研究者はオーケストレーションロジック、ツール使用の振る舞い、デザインを検査、修正、評価することができる。
論文 参考訳（メタデータ） (2026-07-13T11:26:06Z) - Toward Instructions-as-Code: Understanding the Impact of Instruction Files on Agentic Pull Requests [0.0]
より優れたプルリクエスト作成において,命令生成とAIエージェントのパフォーマンスの関係について検討する。
AIDevデータセットの148件のプロジェクトから15,549件のエージェントPRを分析した。
AIエージェントの指示を指定することは、必ずしもより良い結果をもたらすとは限らない。
論文 参考訳（メタデータ） (2026-06-11T15:09:32Z) - Offloading Score: Measuring AI Reliance Through Counterfactual Workflows [70.84727355516559]
私たちは、AIツールにオフロードされた認知活動の分断を定量化する、信頼度尺度であるオフロードスコアを導入します。
本研究は,本質的な計量妥当性評価と制御されたユーザスタディにより,オフロードスコアの検証を行う。
オフロードスコアは、時間制約設定における依存度を著しく高めることを示す。
論文 参考訳（メタデータ） (2026-05-28T05:44:31Z) - AgentHijack: Benchmarking Computer Use Agent Robustness to Common Environment Corruptions [78.49000936275773]
我々は、一般的な汚職下でのコンピュータ利用エージェントの堅牢性を評価するために設計されたベンチマークであるAgentHijackを紹介する。
MLLMをベースとした各種デスクトップタスクを評価し, 汚職の小さな事例であっても, 大幅な性能劣化が生じることを確認した。
本稿では,動作の要約と環境チェックに責任を負う見物人として,アクションジェネレータと接地機能を統合したフレームワークであるAgent Hijack-Agentを提案する。
論文 参考訳（メタデータ） (2026-05-25T11:09:22Z) - How to Interpret Agent Behavior [56.59836196946289]
本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。
共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
論文 参考訳（メタデータ） (2026-05-13T14:52:40Z) - Reliability of AI Bots Footprints in GitHub Actions CI/CD Workflows [2.283561089098417]
継続的インテグレーションとデプロイメント(CI/CD)は、現代のソフトウェアデリバリの中心であるが、エージェントAIボットの信頼性はいまだ調査されていない。
AIDevデータセットからプルリクエスト(PR)、コミット、リポジトリを使用して、関連するCI/CDワークフローをGitHub API経由で検索しました。
Claude、Devin、Cursor、Copilot、Codexの5つのAIボットが生成したPRによって起動された2,355リポジトリから61,837回の実行を分析した。
論文 参考訳（メタデータ） (2026-04-20T14:34:14Z) - How are AI agents used? Evidence from 177,000 MCP tools [0.0]
公開モデルコンテキストプロトコル(MCP)サーバレポジトリを監視することにより,11/2024から02/2026までの177,436のAIエージェントツールを評価した。
ソフトウェア開発はすべてのエージェントツールの67%、MSPサーバの90%を占める。
ほとんどのアクションツールはファイルの編集のような中途半端なタスクをサポートするが、財務取引のような高額なタスクのためのアクションツールもある。
論文 参考訳（メタデータ） (2026-03-25T00:25:49Z) - AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。
各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。
シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
論文 参考訳（メタデータ） (2026-02-03T19:18:28Z) - AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。
エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。
本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:49:18Z) - Agentic Much? Adoption of Coding Agents on GitHub [6.395990525268647]
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。
論文 参考訳（メタデータ） (2026-01-26T10:28:10Z) - AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development [12.50615284537175]
大規模言語モデル(LLM)ベースのコーディングエージェントは、プルリクエストの生成とマージを行う自律的なコントリビュータとして機能するようになっている。
本稿では,オープンソースリポジトリにおけるエージェント導入の経時的因果関係について検討する。
論文 参考訳（メタデータ） (2026-01-20T04:51:56Z) - DeepAgent: A General Reasoning Agent with Scalable Toolsets [111.6384541877723]
DeepAgentは、自律的な思考、ツール発見、アクション実行を実行するエンドツーエンドのディープ推論エージェントである。
長期にわたる相互作用の課題に対処するために,過去の相互作用を構造化エピソード,動作,ツール記憶に圧縮する自律的メモリ折り畳み機構を導入する。
LLMシミュレートされたAPIを活用し、ツール呼び出しトークンにきめ細かいクレジットを割り当てるツールコールアドバンテージ属性を適用した、エンドツーエンドの強化学習戦略であるToolPOを開発した。
論文 参考訳（メタデータ） (2025-10-24T16:24:01Z) - AutoCodeSherpa: Symbolic Explanations in AI Coding Agents [10.706082274730734]
大きな言語モデル(LLM)エージェントは、特定のタスクを達成するために、1つ以上のLLMの上に外部ツールを自律的に使用する。
近年,ソフトウェア工学タスクのLLMエージェントが普及している。
これはAutoCodeRoverやSpecRoverといった、プログラムの自動修復を実行する既存のエージェントAIソリューションによって実証されている。
論文 参考訳（メタデータ） (2025-07-30T06:34:02Z) - 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) - Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。
LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
論文 参考訳（メタデータ） (2025-05-23T08:23:36Z) - TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks [55.03911355902567]
我々は、デジタルワーカーと同じような方法で世界と対話するAIエージェントを評価するためのベンチマークであるTheAgentCompanyを紹介する。
最も競争力のあるエージェントは、タスクの30%を自律的に完了させることができる。
これは、実際の職場の設定でLMエージェントをシミュレートすることで、タスク自動化に関する微妙な絵を描く。
論文 参考訳（メタデータ） (2024-12-18T18:55:40Z) - How much does AI impact development speed? An enterprise-based randomized controlled trial [8.759453531975668]
複雑なエンタープライズレベルのタスクに開発者が費やす時間に対する3つのAI機能の影響を見積もる。
また、コード関連のアクティビティに1日あたり何時間も費やす開発者は、AIがより速くなるという興味深い効果も見出しました。
論文 参考訳（メタデータ） (2024-10-16T18:31:14Z) - WebArena: A Realistic Web Environment for Building Autonomous Agents [92.3291458543633]
我々は、非常に現実的で再現可能な言語誘導エージェントのための環境を構築する。
我々は,Web上でタスクを実行するエージェントに着目し,4つの共通ドメインから完全に機能するWebサイトを持つ環境を構築する。
タスク完了の関数的正しさを評価することに焦点を当てたベンチマークタスクのセットをリリースする。
論文 参考訳（メタデータ） (2023-07-25T22:59:32Z)
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。