論文の概要: LLM-Based Multi-Agent Systems for Code Generation: A Multi-Vocal Literature Review
- arxiv url: http://arxiv.org/abs/2604.16321v1
- Date: Wed, 25 Feb 2026 07:55:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 07:19:57.227569
- Title: LLM-Based Multi-Agent Systems for Code Generation: A Multi-Vocal Literature Review
- Title（参考訳）: LLMによるコード生成のためのマルチエージェントシステム:多言語文献レビュー
- Authors: Zeeshan Rasheeda, Muhammad Waseema, Kai-Kristian Kemella, Mika Saari, Pekka Abrahamsson,
- Abstract要約: 大規模言語モデル(LLM)は、複雑なタスクに対して自動コード生成を行うマルチエージェントシステムを実現する。
この分野における最近の研究・産業応用の進展にもかかわらず、学術的・工業的な資料から証拠を合成する研究はほとんどない。
- 参考スコア（独自算出の注目度）: 0.7257685311746803
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large Language Models (LLMs) have enabled multi-agent systems to perform autonomous code generation for complex tasks. Despite the recent growth in research and industrial applications in this area, there is little work on synthesizing evidence from both academic and industrial sources to capture the current state of research on LLM-based multi-agent systems for code generation. To this end, we conducted a Multi-Vocal Literature Review (MLR), combining insights from both academia and industry, including peer-reviewed studies and grey literature. The aim of this study is to systematically synthesize and analyze existing knowledge on LLM-based multi-agent systems for code generation. Specifically, the review examines the motivations for their use, employed benchmarks and models, key challenges, proposed solutions, and potential directions for future research. We selected and reviewed 114 studies, and the key findings are: 1) the identified reasons for adopting multi-agent systems for code generation were classified into nine categories; 2) the models and evaluation benchmarks utilized across the studies were systematically analyzed to provide a structured overview of commonly adopted LLM configurations and assessment practices; 3) the reported challenges and corresponding solutions were synthesized into six main categories and 26 subcategories; and 4) future research directions were identified and organized into six main categories and 18 subcategories. The results of this MLR will assist researchers and practitioners in pursuing further studies and supporting the real-world adoption of multi-agent systems in industrial settings.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、複雑なタスクに対して自動コード生成を行うマルチエージェントシステムを実現する。
この分野における最近の研究・産業応用の進展にもかかわらず、LLMに基づくコード生成のためのマルチエージェントシステムの研究状況を把握するため、学術的・産業的な情報源から証拠を合成する研究はほとんどない。
そこで我々は,学界と産業界の両方からの知見を組み合わせた多言語文献レビュー(MLR: Multi-Vocal Literature Review)を行った。
本研究の目的は、コード生成のためのLLMベースのマルチエージェントシステムにおいて、既存の知識を体系的に合成し、分析することである。
具体的には、その利用動機、採用ベンチマークとモデル、主要な課題、提案された解決策、将来の研究の潜在的方向性について検討する。
我々は114の研究を選定し、レビューした。
1)コード生成にマルチエージェントシステムを採用する理由を,9つのカテゴリに分類した。
2)本研究で用いたモデルと評価ベンチマークを体系的に分析し,広く採用されているLCMの構成と評価の実践について概観した。
3) 報告された課題と対応ソリューションを6つの主要なカテゴリと26のサブカテゴリに合成し,
4) 今後の研究方針を6つの主要なカテゴリと18のサブカテゴリに分類し整理した。
このMLRの結果は、研究者や実践者がさらなる研究を進め、産業環境におけるマルチエージェントシステムの現実的な導入を支援するのに役立つ。
関連論文リスト
- A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - LLM-based Agentic Reasoning Frameworks: A Survey from Methods to Scenarios [63.08653028889316]
エージェント推論フレームワークを分解し,これらのフレームワークがどのようにフレームワークレベルの推論を支配しているかを分析する。
具体的には,エージェント推論システムを単一エージェントメソッド,ツールベースメソッド,マルチエージェントメソッドに分類するための統一形式言語を提案する。
我々は、科学的発見、医療、ソフトウェア工学、社会シミュレーション、経済学における彼らの主要な応用シナリオを包括的にレビューする。
論文 参考訳（メタデータ） (2025-08-25T06:01:16Z) - Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。
古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。
コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
論文 参考訳（メタデータ） (2025-07-21T10:52:14Z) - LMR-BENCH: Evaluating LLM Agent's Ability on Reproducing Language Modeling Research [32.35279830326718]
大規模言語モデル(LLM)エージェントは、科学的発見の進展に顕著な可能性を証明している。
しかし、研究論文、特にNLPドメインからコードを再生する能力は、いまだ解明されていない。
本稿ではLMR-BENCHについて述べる。LMR-BENCHは言語モデリング研究におけるLLMエージェントのコード再生能力を評価するためのベンチマークである。
論文 参考訳（メタデータ） (2025-06-19T07:04:16Z) - ResearchCodeAgent: An LLM Multi-Agent System for Automated Codification of Research Methodologies [16.90884865239373]
本研究では,研究方法論の体系化を自動化する新しいマルチエージェントシステムであるResearchCodeAgentを紹介する。
このシステムは、ハイレベルな研究概念と実践的な実装のギャップを埋める。
ResearchCodeAgentは、研究実施プロセスに向けた重要なステップであり、機械学習研究のペースを加速する可能性がある。
論文 参考訳（メタデータ） (2025-04-28T07:18:45Z) - IdeaBench: Benchmarking Large Language Models for Research Idea Generation [19.66218274796796]
大規模言語モデル(LLM)は、人々が人工知能(AI)システムと対話する方法を変革した。
包括的データセットと評価フレームワークを含むベンチマークシステムであるIdeanBenchを提案する。
私たちのデータセットは、さまざまな影響力のある論文のタイトルと要約と、参照された作品で構成されています。
まず、GPT-4oを用いて、新規性や実現可能性などのユーザ固有の品質指標に基づいて、アイデアをランク付けし、スケーラブルなパーソナライズを可能にする。
論文 参考訳（メタデータ） (2024-10-31T17:04:59Z) - A Software Engineering Perspective on Testing Large Language Models: Research, Practice, Tools and Benchmarks [2.8061460833143346]
大規模言語モデル(LLM)は、スタンドアロンツールとしても、現在および将来のソフトウェアシステムのコンポーネントとしても、急速に普及しています。
LLMを2030年のハイテイクシステムや安全クリティカルシステムで使用するためには、厳格なテストを実施する必要がある。
論文 参考訳（メタデータ） (2024-06-12T13:45:45Z) - Large Multimodal Agents: A Survey [78.81459893884737]
大規模言語モデル(LLM)は、テキストベースのAIエージェントのパワーで優れたパフォーマンスを実現している。
LLMを利用したAIエージェントをマルチモーダルドメインに拡張することに焦点を当てた、新たな研究トレンドがある。
本総説は, この急速に発展する分野において, 今後の研究に有用な洞察とガイドラインを提供することを目的としている。
論文 参考訳（メタデータ） (2024-02-23T06:04:23Z)
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。