論文の概要: Mise en Place for Agentic Coding: Deliberate Preparation as Context Engineering Methodology
- arxiv url: http://arxiv.org/abs/2605.05400v1
- Date: Wed, 06 May 2026 19:33:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:11.39591
- Title: Mise en Place for Agentic Coding: Deliberate Preparation as Context Engineering Methodology
- Title（参考訳）: エージェント・コーディングのためのミス・ザ・プレイス:コンテキスト・エンジニアリング・方法論としての熟考の準備
- Abstract要約: AIコーディングエージェントの急速な採用は、意図的な準備よりも実装のスピードを優先する、支配的なワークフローパターンを生み出した。
本稿では,エージェントコーディングのための3段階準備手法を提案する。
競合ハッカソンにおけるMEPの適用について報告し,約2時間の準備により,同時AIエージェントによるフルスタック教育プラットフォームの迅速な実装が可能となった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid adoption of AI coding agents has produced a dominant workflow pattern -- often called "vibe coding" -- that prioritizes speed of implementation over deliberate preparation. We argue that this approach creates a systematic alignment problem: agents that lack sufficient context produce code requiring extensive debugging and refactoring, consuming substantial development time. Drawing on the culinary concept of mise en place (everything in its place; abbreviated MEP), we propose a three-phase preparation methodology for agentic coding: (1) contextual grounding, where domain expertise and tacit knowledge are externalized into structured documents; (2) collaborative specification, where human-agent dialogue produces detailed design artifacts; and (3) task decomposition, where specifications are converted into structured, dependency-aware task records. We report on the application of MEP during a competitive hackathon, where roughly two hours of preparation enabled a rapid parallel implementation of a full-stack educational platform by concurrent AI agents. We introduce the concept of context fluency as an emerging developer skill -- the ability to create rich, structured context that agents can act on -- and connect it to established frameworks in backward design and tacit knowledge externalization. We conclude with a research agenda for empirically validating preparation-phase methodologies in AI-assisted software development.
- Abstract（参考訳）: AIコーディングエージェントの急速な採用は、意図的な準備よりも実装のスピードを優先する、支配的なワークフローパターン – しばしば“バイブコーディング”と呼ばれる – を生み出した。
十分なコンテキストを持たないエージェントは、大規模なデバッグとリファクタリングを必要とし、相当な開発時間を消費します。
提案手法は,(1)ドメインの専門知識と暗黙的知識が構造化文書に外部化される文脈的基盤,(2)人間とエージェントの対話が詳細な設計成果物を生成する協調仕様,(3)仕様が構造化された依存性対応タスクレコードに変換されるタスク分解,である。
競合ハッカソンにおけるMEPの適用について報告し,約2時間の準備により,同時AIエージェントによるフルスタック教育プラットフォームの迅速な実装が可能となった。
エージェントが動作可能なリッチで構造化されたコンテキストを作成でき、それを後方設計や暗黙の知識の外部化という確立したフレームワークに接続する能力です。
我々は,AI支援ソフトウェア開発における準備段階の方法論を実証的に検証するための研究課題をまとめる。
関連論文リスト
- Using Process Mining to Generate AI Agents from Software Engineering Process Records [1.6974371408199849]
AIエージェントをソフトウェアエンジニアリング(SE)チームに統合するという課題に対処する。
提案手法は,事前に定義されたSEロール語彙を用いて,プロジェクト固有のエージェントの役割を発見する。
概念実証として、確立されたオープンソースプロジェクトに我々のアプローチを適用しました。
論文 参考訳（メタデータ） (2026-07-06T11:22:25Z) - From Prompts to Context: An Ontology-Driven Framework for Human-Generative AI Collaboration [26.702635306128865]
本稿では,人間生成AIコラボレーションを表現するオントロジー駆動型フレームワークを提案する。
その中核となるコンポーネントであるContextual Collaboration AI Ontologyは、コラボレーションの重要な要素を、共有機械解釈可能な語彙としてモデル化している。
我々は、要求分析、設計、実装、そしてテストの間で、このフレームワークがコラボレーションエピソードの表現とドキュメントをどのようにサポートするかを示す。
論文 参考訳（メタデータ） (2026-05-28T09:35:59Z) - Nurture-First Agent Development: Building Domain-Expert AI Agents Through Conversational Knowledge Crystallization [0.7868449549351487]
大規模言語モデル(LLM)ベースのエージェントフレームワークは、ドメイン専門のAIエージェントを生の能力からドメイン専門の効果的なエンコーディングに移行する上で、主要な課題をシフトしている。
このシーケンシャルな仮定は、ドメインの専門知識の性質と根本的なミスマッチを引き起こします。
NFD(Nurture-First Development)は、エージェントが最小限の足場を持ち、ドメイン実践者との構造的対話を通じて徐々に成長するパラダイムである。
論文 参考訳（メタデータ） (2026-03-11T14:14:53Z) - Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - Beyond the 'Diff': Addressing Agentic Entropy in Agentic Software Development [42.371764229953165]
エージェントによる決定が時間やツールコール,アーキテクチャ境界を越えてどのように展開されるかを明らかにする,プロセス指向の説明可能性フレームワークを提案する。
私たちのアプローチは、既存のレビュープラクティスを置き換えるのではなく、補完するインテントレベルのテレメトリを提供します。
認知的ドリフトをコード品質と並んで第一級の関心事として扱うことで、エージェントの監視に必要な人間の理解の最小レベルを安定的に維持する。
論文 参考訳（メタデータ） (2026-03-03T12:55:28Z) - Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - Agentsway -- Software Development Methodology for AI Agents-based Teams [4.226647687395254]
Agentswayは、AIエージェントが一流の協力者として機能するエコシステム向けに設計された、新しいソフトウェア開発フレームワークである。
このフレームワークは、計画、プロンプト、コーディング、テスト、微調整エージェントの異なる役割を定義している。
Agentswayは、次世代のAIネイティブで自己改善型のソフトウェア開発方法論に向けた基本的なステップである。
論文 参考訳（メタデータ） (2025-10-26T11:58:42Z) - A Survey of Vibe Coding with Large Language Models [93.88284590533242]
視覚符号化(Vibe Coding)は、開発者が成果観察を通じてAI生成の実装を検証する開発手法である。
変革の可能性にもかかわらず、この創発的パラダイムの有効性は未解明のままである。
この調査は、大規模な言語モデルによるVibe Codingの総合的かつ体系的なレビューを初めて提供する。
論文 参考訳（メタデータ） (2025-10-14T11:26:56Z) - 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) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - Factored Agents: Decoupling In-Context Learning and Memorization for Robust Tool Use [4.437184840125514]
本稿ではエージェントAIにおける従来の単一エージェントシステムの限界を克服する新しいファクターエージェントアーキテクチャを提案する。
提案手法はエージェントを,(1)高レベルプランナーおよびインコンテキスト学習者として機能する大規模言語モデル,(2)ツールフォーマットと出力の記憶器として機能する小型言語モデルに分解する。
経験的評価により,本アーキテクチャは,テキスト内学習と静的記憶のトレードオフを解明しつつ,計画精度と誤り回復性を著しく向上することが示された。
論文 参考訳（メタデータ） (2025-03-29T01:27:11Z)
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。