論文の概要: Configuring Agentic AI Coding Tools: An Exploratory Study
- arxiv url: http://arxiv.org/abs/2602.14690v1
- Date: Mon, 16 Feb 2026 12:24:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-17 16:22:50.398494
- Title: Configuring Agentic AI Coding Tools: An Exploratory Study
- Title（参考訳）: エージェントAIコーディングツールの構成:探索的研究
- Authors: Matthias Galster, Seyedmoein Mohsenimofidi, Jai Lal Lulla, Muhammad Auwal Abubakar, Christoph Treude, Sebastian Baltes,
- Abstract要約: エージェントAIコーディングツールの構成機構を体系的に分析し、Claude Code、GitHub Copilot、Cursor、Gemini、Codexを取り上げる。
8つの設定メカニズムを特定し,2,926のGitHubリポジトリを実証的に調査し,それらが採用されているかどうかと方法を検討した。
次に、ツール間で利用可能な3つのメカニズムであるContext Files、Skills、Subagentsについて詳しく調べます。
- 参考スコア（独自算出の注目度）: 11.643977424519
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agentic AI coding tools with autonomous capabilities beyond conversational content generation increasingly automate repetitive and time-consuming software development tasks. Developers can configure these tools through versioned repository-level artifacts such as Markdown and JSON files. In this paper, we present a systematic analysis of configuration mechanisms for agentic AI coding tools, covering Claude Code, GitHub Copilot, Cursor, Gemini, and Codex. We identify eight configuration mechanisms and, in an empirical study of 2,926 GitHub repositories, examine whether and how they are adopted. We then explore Context Files, Skills, and Subagents, that is, three mechanisms available across tools, in more detail. Our findings reveal three trends. First, Context Files dominate the configuration landscape and are often the sole mechanism in a repository, with AGENTS$.$md emerging as an interoperable standard across tools. Second, advanced mechanisms such as Skills and Subagents are only shallowly adopted: most repositories define only one or two artifacts, and Skills predominantly rely on static instructions rather than executable workflows. Third, distinct configuration cultures are forming around different tools, with Claude Code users employing the broadest range of mechanisms. These findings establish an empirical baseline for longitudinal and experimental research on how configuration strategies evolve and affect agent performance as agentic AI coding tools mature.
- Abstract（参考訳）: 会話コンテンツ生成以外の自律的な機能を備えたエージェントAIコーディングツールは、反復的かつ時間を要するソフトウェア開発タスクをますます自動化している。
開発者はMarkdownやJSONファイルなどのバージョン管理されたリポジトリレベルのアーティファクトを通じて、これらのツールを設定することができる。
本稿では、エージェントAIコーディングツールの構成機構を体系的に分析し、Claude Code、GitHub Copilot、Cursor、Gemini、Codexについて述べる。
8つの設定メカニズムを特定し,2,926のGitHubリポジトリを実証的に調査し,それらが採用されているかどうかと方法を検討した。
次に、ツール間で利用可能な3つのメカニズムであるContext Files、Skills、Subagentsについて詳しく調べます。
以上の結果から3つの傾向が明らかになった。
まず、Context Filesが構成のランドスケープを支配し、AgentS$でリポジトリ内の唯一のメカニズムであることが多い。
ツール間の相互運用可能な標準として出現する$md。
第二に、SkillsやSubagentsのような高度なメカニズムはごくわずかに採用されているだけであり、ほとんどのリポジトリは1つか2つのアーティファクトしか定義していない。
第三に、異なる構成文化がさまざまなツールを中心に形成されており、Claude Codeユーザは最も広い範囲のメカニズムを使用している。
これらの知見は、エージェントAIコーディングツールが成熟するにつれて、構成戦略がエージェントのパフォーマンスをどのように進化させ、影響を及ぼすかについて、縦および実験的な研究のための経験的ベースラインを確立する。
関連論文リスト
- Confucius Code Agent: Scalable Agent Scaffolding for Real-World Codebases [44.366968508477235]
大規模に運用可能なスケーラブルなソフトウェアエンジニアリングエージェントであるConfucius Code Agent (CCA)を紹介した。
CCAはConfucius SDKの上に構築されている。
さらに,エージェント構成の合成,評価,洗練を自動化するメタエージェントを導入する。
論文 参考訳（メタデータ） (2025-12-11T08:05:58Z) - Decoding the Configuration of AI Coding Agents: Insights from Claude Code Projects [0.1631115063641726]
エージェントコードアシスタントは、エンドツーエンドのソフトウェアエンジニアリングタスクを実行することができる新しい世代のAIシステムである。
それらの振る舞いと有効性は、アーキテクチャ上の制約、コーディングプラクティス、ツールの使用ポリシーを定義する構成ファイルに大きく依存します。
本稿では,最も広く使用されているエージェントプログラミングシステムであるClaude Codeの構成エコシステムについて,実証的研究を行う。
論文 参考訳（メタデータ） (2025-11-12T12:28:57Z) - 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) - 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) - Vibe Coding vs. Agentic Coding: Fundamentals and Practical Implications of Agentic AI [0.36868085124383626]
レビューでは、AI支援ソフトウェア開発の新たなパラダイムとして、バイブコーディングとエージェントコーディングの2つを包括的に分析している。
Vibeのコーディングは、インプットベースで対話的なインタラクションを通じて、直感的で、ループ内の人間間インタラクションを強調する。
エージェントコーディングは、最小限の介入でタスクを計画、実行、テスト、反復できる目標駆動エージェントを通じて、自律的なソフトウェア開発を可能にする。
論文 参考訳（メタデータ） (2025-05-26T03:00:21Z) - Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。
PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。
次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
論文 参考訳（メタデータ） (2025-04-24T01:57:01Z) - LLM Agents Making Agent Tools [2.5529148902034637]
ツールの使用は、大規模言語モデル(LLM)を、複雑なマルチステップタスクを実行できる強力なエージェントに変えた。
しかし、これらのツールは人間の開発者によって事前に実装されなければならない。
論文をコードで自律的にLLM互換のツールに変換するエージェントフレームワークであるToolMakerを提案する。
論文 参考訳（メタデータ） (2025-02-17T11:44:11Z)
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。