論文の概要: CommitDistill: A Lightweight Knowledge-Centric Memory Layer for Software Repositories

• arxiv url: http://arxiv.org/abs/2605.18284v1
• Date: Mon, 18 May 2026 12:14:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.596129
• Title: CommitDistill: A Lightweight Knowledge-Centric Memory Layer for Software Repositories
• Title（参考訳）: CommitDistill: ソフトウェアリポジトリのための軽量な知識中心のメモリレイヤ
• Authors: Divya Chukkapalli, Thejesh Avula, Aditya Aggarwal, Harsimran Singh, Amith Tallanki,
• Abstract要約: ソフトウェアは、コミットメッセージ、プルリクエストの議論、スレッド発行に大量の構造化されていない知識を蓄積します。 エージェントのタイプメモリアーキテクチャ(MemGPT、生成エージェント、YangらのPlugMemモジュール)に関する最近の研究は、エージェントメモリは生の対話テキストではなく、蒸留された型付き知識であるべきだと主張している。 私たちは、決定論的、依存性なし、ローカルのみ、埋め込みなしという制約のある体制の下で、ソフトウェアリポジトリ自身のgit履歴にそのスタンスを適用します。
• 参考スコア（独自算出の注目度）: 0.5872014229110213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software repositories accumulate large amounts of unstructured knowledge in commit messages, pull-request discussions, and issue threads, but developers and AI coding assistants rarely reuse this history effectively. Recent work on typed-memory architectures for LLM agents (MemGPT, generative agents, and the PlugMem module of Yang et al.) argues that agent memory should be distilled, typed knowledge rather than raw interaction text. We adapt that stance to a software repository's own git history under a constrained regime: deterministic, dependency-free, local-only, no embeddings. We present CommitDistill, an open-source Python prototype that mines a local git history into typed knowledge units (Facts, Skills, Patterns) using deterministic regex and surfaces them through a TF-IDF retriever with a calibrated silence threshold (theta = 2.5) that abstains on out-of-distribution queries. The artefact is a trust-instrumented memory substrate: deterministic, no external service, inspectable plain-JSON store, tunable abstention. A case study on five public repositories spanning Python, JavaScript, C, and Java (25,000 commits, 1,167 extracted units) reports useful-precision 0.525 at Cohen's kappa = 0.633 on 40 dual-annotated Python units. The decisive finding is budget-constrained retrieval: at a 256-character per-query budget, CommitDistill reaches 0.750 hit-rate on a 12-query benchmark against BM25's 0.333 and git log --grep's 0.083. On a four-arm paired LLM-as-judge evaluation (n=200 time-travel bug-fixes, two judges) covering control, CommitDistill, a body-budget-matched CD-Hybrid, and BM25, no condition produces a statistically detectable lift over control on the headline mean and CD-Hybrid is indistinguishable from BM25 head-to-head. Extraction over 10,000 commits completes in under 4 seconds on a laptop. Source, annotations, baselines, and a reproducibility script accompany this paper.
• Abstract（参考訳）: ソフトウェアリポジトリは、コミットメッセージやプルリクエストの議論、スレッド発行に大量の構造化されていない知識を蓄積するが、開発者やAIコーディングアシスタントがこの履歴を効果的に再利用することは滅多にない。 LLMエージェントのタイプメモリアーキテクチャ(MemGPT、生成エージェント、YangらのPlugMemモジュール)に関する最近の研究は、エージェントメモリは生のインタラクションテキストではなく、型付き知識で蒸留されるべきであると主張している。 私たちは、決定論的、依存性なし、ローカルのみ、埋め込みなしという制約のある体制の下で、ソフトウェアリポジトリ自身のgit履歴にそのスタンスを適用します。 提案するオープンソースPythonプロトタイプであるCommitDistillは,局所的なgit履歴を決定論的検索を用いて型付き知識単位(Facts, Skills, Patterns)にマイニングし,パラメータ付きサイレントしきい値(theta = 2.5)を持つTF-IDFレトリバーにサーフェスする。 アーティファクトは、決定論的、外部サービスなし、インスペクタブルなプレーンJSONストア、チューニング可能な棄権という、信頼性に富んだメモリ基板である。 Python、JavaScript、C、Javaにまたがる5つのパブリックリポジトリ(25,000のコミット、1,167の抽出ユニット)に関するケーススタディでは、Cohenのkappa = 0.633で、40のデュアルアノテーション付きPythonユニットで有用精度0.525が報告されている。 CommitDistillは、1クエリ当たり256文字の予算で、BM25の0.333とgit log --grepの0.083に対して、12クエリのベンチマークで0.750ヒットレートに達した。 4腕対のLCM-as-judge評価(n=200のタイムトラベルバグフィックス、2人の審査員)では、ボディーバッジマッチングCD-HybridであるCommitDistillとBM25では、ヘッドライン平均に対する統計的に検出可能なリフトが生成せず、CD-HybridはBM25ヘッドツーヘッドと区別できない。 1万以上のコミットの抽出は、ラップトップ上で4秒以内に完了する。 ソース、アノテーション、ベースライン、再現性スクリプトがこの論文に付随する。

関連論文リスト

• Nautilus Compass: Black-box Persona Drift Detection for Production LLM Agents [2.417342411475111]
  ナチラス・コンパス(Nautilus Compass)は、ブラックボックスドリフト検出器と、生産用コーディングエージェントのためのエージェントメモリ層である。 このシステムは、Claude Codeプラグイン、CP 20245 A2Aサーバ、CLI、APIを1つのデーモンで提供する。
  論文  参考訳（メタデータ） (2026-05-11T01:49:17Z)
• FGDM: Reasoning Aware Multi-Agentic Framework for Software Bug Detection using Chain of Thought and Tree of Thought Prompting [0.0]
  Flow-Graph-Driven Multi-Agent Framework (FGDM)は、シーケンシャルな操作を行う4つのエージェントで構成されている。 フレームワークは、受信したコードをフローグラフに変換し、誤ったセグメントを特定し、さらに修復されたコードを生成する。
  論文  参考訳（メタデータ） (2026-04-27T17:22:15Z)
• Selective Memory for Artificial Intelligence: Write-Time Gating with Hierarchical Archiving [0.0]
  パラメトリックアプローチは、選択的な更新を前に、知識を重みに圧縮する。 合成サリエンススコアを用いて、入ってくる知識オブジェクトをフィルタリングする書き込み時間ゲーティングを導入する。
  論文  参考訳（メタデータ） (2026-03-16T23:06:44Z)
• SWE-Fixer: Training Open-Source LLMs for Effective and Efficient GitHub Issue Resolution [56.9361004704428]
  大規模言語モデル(LLM)は、様々な複雑なタスクにまたがる顕著な習熟度を示している。 SWE-Fixerは、GitHubの問題を効果的かつ効率的に解決するために設計された、新しいオープンソースフレームワークである。 我々は,SWE-Bench LiteとVerifiedベンチマークに対するアプローチを評価し,オープンソースモデル間の競合性能を実現する。
  論文  参考訳（メタデータ） (2025-01-09T07:54:24Z)
• PyPulse: A Python Library for Biosignal Imputation [58.35269251730328]
  PyPulseは,臨床およびウェアラブルの両方のセンサ設定において生体信号の計算を行うPythonパッケージである。 PyPulseのフレームワークは、非機械学習バイオリサーバーを含む幅広いユーザーベースに対して、使い勝手の良いモジュラーで拡張可能なフレームワークを提供する。 PyPulseはMITライセンスでGithubとPyPIでリリースしました。
  論文  参考訳（メタデータ） (2024-12-09T11:00:55Z)
• Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
  本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。 既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。 本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
  論文  参考訳（メタデータ） (2023-10-08T10:08:21Z)
• VulLibGen: Generating Names of Vulnerability-Affected Packages via a Large Language Model [13.96251273677855]
  VulLibGenは、影響を受けるパッケージを直接生成するメソッドである。 脆弱性のあるパッケージを識別するための平均精度は0.806である。 私たちはGitHub Advisoryに60の脆弱性、影響のあるパッケージ>ペアを提出しました。
  論文  参考訳（メタデータ） (2023-08-09T02:02:46Z)
• Precise Zero-Shot Dense Retrieval without Relevance Labels [60.457378374671656]
  仮説文書埋め込み(英: hypothetical Document Embeddings, HyDE)は、ゼロショット高密度検索システムである。 我々は,HyDEが最先端の非教師付き高密度検索器であるContrieverを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2022-12-20T18:09:52Z)
• A ground-truth dataset and classification model for detecting bots in GitHub issue and PR comments [70.1864008701113]
  ボットはGithubリポジトリで、分散ソフトウェア開発プロセスの一部である反復的なアクティビティを自動化するために使用されている。 本稿では,5000のGithubアカウントのプルリクエストとコメント発行に関する,高い相互契約を伴う手動分析に基づいて,基幹トラスデータセットを提案する。 ボットを検出する自動分類モデルを提案し,各アカウントの空のコメント数と空でないコメント数,コメントパターンの数,コメントパターン内のコメント間の不平等を主特徴とする。
  論文  参考訳（メタデータ） (2020-10-07T09:30:52Z)

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。