論文の概要: LegacyTranslate: LLM-based Multi-Agent Method for Legacy Code Translation
- arxiv url: http://arxiv.org/abs/2603.14054v1
- Date: Sat, 14 Mar 2026 17:51:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 16:19:35.573094
- Title: LegacyTranslate: LLM-based Multi-Agent Method for Legacy Code Translation
- Title（参考訳）: Legacy Translate:LLMに基づくレガシーコード翻訳のためのマルチエージェント方式
- Abstract要約: LegacyTranslateは、API対応コード翻訳のためのマルチエージェントフレームワークである。
Initial Translation Agentは、検索したインコンテキストの例を使って、初期Java翻訳を生成する。
API Grounding Agentは、API知識ベースから関連するエントリを取得することで、コードを既存のAPIと整合させる。
Refinement Agentは、コンパイラフィードバックとAPI提案を使用して出力を反復的に洗練し、正確性を改善する。
- 参考スコア（独自算出の注目度）: 6.639896614747016
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modernizing large legacy systems remains a major challenge in enterprise environments, particularly when migration must preserve domain-specific logic while conforming to internal architectural frameworks and shared APIs. Direct application of Large Language Models (LLMs) for code translation often produces syntactically valid outputs that fail to compile or integrate within existing production frameworks, limiting their practical adoption in real-world modernization efforts. In this paper, we propose LegacyTranslate, a multi-agent framework for API-aware code translation, developed and evaluated in the context of an ongoing modernization effort at a financial institution migrating approximately 2.5 million lines of PL/SQL to Java. The core idea is to use specialized LLM-based agents, each addressing a different aspect of the translation challenge. Specifically, LegacyTranslate consists of three agents: Initial Translation Agent produces an initial Java translation using retrieved in-context examples; API Grounding Agent aligns the code with existing APIs by retrieving relevant entries from an API knowledge base; and Refinement Agent iteratively refines the output using compiler feedback and API suggestions to improve correctness. Our experiments show that each agent contributes to better translation quality. The Initial Translation Agent alone achieves 45.6% compilable outputs and 30.9% test-pass rate. With API Grounding Agent and Refinement Agent, compilation improves by an additional 8% and test-pass accuracy increases by 3%.
- Abstract（参考訳）: 大規模なレガシーシステムの近代化は、特に移行が内部アーキテクチャフレームワークや共有APIに準拠しながらドメイン固有のロジックを保存する必要がある場合、企業環境において依然として大きな課題である。
コード翻訳のためのLLM(Large Language Models)の直接適用は、しばしば構文的に有効なアウトプットを生成し、既存のプロダクションフレームワークにコンパイルや統合に失敗し、現実の近代化における実践的採用を制限する。
本稿では,約250万行のPL/SQLをJavaに移行した金融機関において,現在進行中の近代化努力の文脈において,API対応コード翻訳のためのマルチエージェントフレームワークであるLegacyTranslateを提案する。
中心となる考え方は、特殊なLSMベースのエージェントを使用することであり、それぞれが翻訳チャレンジの異なる側面に対処する。
API Grounding Agentは、API知識ベースから関連するエントリを取得して、既存のAPIと整列する。Refinement Agentは、コンパイラフィードバックとAPI提案を使用して出力を反復的に洗練し、正確性を改善する。
実験の結果,各エージェントは翻訳品質の向上に寄与していることがわかった。
初期翻訳エージェントだけでコンパイル可能な出力は45.6%、テストパス率は30.9%である。
API Grounding AgentとRefinement Agentでは、コンパイルが8%向上し、テストパスの精度が3%向上する。
関連論文リスト
- SEDCoT: Enhancing LLM-Based COBOL Code Translation via Symbolic Execution and Delta Debugging [49.898541267264115]
古い技術や疎結合なドキュメンテーション、開発者の引退などによって、メンテナンスはますます難しくなっている。
従来のルールベースのトランスコンパイラは、読み書きが難しい出力を出力する。
本稿では,新しいC言語翻訳フレームワークであるSEDCoTを提案する。
論文 参考訳（メタデータ） (2026-07-05T03:07:10Z) - Advancing Automated In-Isolation Validation in Repository-Level Code Translation [9.753507630426832]
Repositoryレベルのコード変換は、機能を自動的に保存しながら、プログラミング言語間でリポジトリ全体を移行することを目的としている。
本稿では、文脈認識型分解能とモックベースのインソレーション検証を組み合わせたTRAMを提案する。
TRAMはJava-to-Python翻訳の最先端性能を示し、RAGベースの型分解能と信頼性の高いインアイソレーションバリデーションとの統合の有効性を強調している。
論文 参考訳（メタデータ） (2025-11-26T19:53:46Z) - Beyond Language Barriers: Multi-Agent Coordination for Multi-Language Code Generation [8.896718697354187]
XL-CoGenは、複数のプログラミング言語で高品質なコードを生成する。
中間表現、コード生成、翻訳、自動修復を統合する。
論文 参考訳（メタデータ） (2025-09-24T09:18:08Z) - RepoTransAgent: Multi-Agent LLM Framework for Repository-Aware Code Translation [6.2036957709296665]
RepoTransAgentはリポジトリ対応コード翻訳のための新しいマルチエージェントフレームワークである。
RepoTransAgentを6つの人気のあるオープンソースプロジェクトから数百のJava-C#の翻訳ペアで評価する。
論文 参考訳（メタデータ） (2025-08-25T06:56:22Z) - Function-to-Style Guidance of LLMs for Code Translation [59.487054943812836]
コード翻訳における大規模言語モデルの性能向上を目的として,F2STransという関数型案内パラダイムを提案する。
提案手法は,(1)高品質なソースターゲットコードペアを用いた翻訳精度を最適化する機能学習という2つの重要な段階から構成される。
我々は,最新のソースコード,広範なテストケース,手動で注釈付き接頭辞翻訳を含む新しいコード翻訳ベンチマークを導入する。
論文 参考訳（メタデータ） (2025-07-15T08:25:02Z) - ExeCoder: Empowering Large Language Models with Executability Representation for Code Translation [57.604506522287814]
既存の大きな言語モデル(LLM)は、事前トレーニング中にのみコードのコンテキスト意味を学習する。
機能的セマンティクスや構文構造,変数依存性といった実行可能性表現を活用するために,ExeCoderを提案する。
ExeCoderは、既存のオープンソースコードLLMを10.88%以上、38.78%以上、27.44%以上、42.97%以上という、2つのメトリクスで、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-01-30T16:18:52Z) - I Can't Share Code, but I need Translation -- An Empirical Study on Code Translation through Federated LLM [3.9373541926236766]
本研究は、参加者が効率の良いコード翻訳のためのFedLLMを共同開発できることを実証する。
この結果から,FedLLMはコード翻訳に協調的なアプローチを提供し,将来的な研究の方向性となる可能性が示唆された。
論文 参考訳（メタデータ） (2025-01-10T05:43:36Z) - RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。
複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
論文 参考訳（メタデータ） (2024-11-21T10:00:52Z) - Semantic Alignment-Enhanced Code Translation via an LLM-Based Multi-Agent System [24.52067108242477]
コード翻訳は、ソフトウェアマイグレーション、システムアブレーション、クロスプラットフォーム開発に不可欠である。
従来のルールベースのメソッドは手書きのルールに依存している。
最近では、LLM(Large Language Models)の進歩により、学習ベースのコード翻訳がさらに強化されている。
本稿では,構文誤りや意味的誤りを解消し,LLMに基づくコード翻訳を強化した新しいマルチエージェントシステムTransagENTを提案する。
論文 参考訳（メタデータ） (2024-09-30T02:53:03Z) - DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。
開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。
デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
論文 参考訳（メタデータ） (2024-02-27T12:26:07Z) - ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。
LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
論文 参考訳（メタデータ） (2023-11-16T12:03:21Z)
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。