論文の概要: AutoPipelineAI: Context-Aware CI/CD Pipeline Generation from Natural Language
- arxiv url: http://arxiv.org/abs/2606.06662v1
- Date: Thu, 04 Jun 2026 19:15:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.414593
- Title: AutoPipelineAI: Context-Aware CI/CD Pipeline Generation from Natural Language
- Title（参考訳）: AutoPipelineAI: 自然言語からのコンテキスト対応CI/CDパイプライン生成
- Authors: Youssef Mohamed Aboelfotoh, Mohamed Ahmed Hemdan, Mohammad El-Ramly, Khlood Hassan, Mahmoud Saleh Saad, Ahmed Mohamed Tolba, Seif Gamal Abdelmonem,
- Abstract要約: 本稿では,CI/CDパイプライン構成を自然言語記述を用いて生成するAutoPipelineAIシステムを提案する。
リポジトリ対応の分析、自動バリデーションシステム、生成したパイプラインの正確性とユーザビリティを確認するフィードバックメカニズムを統合する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern software development relies on CI/CD pipelines to automate testing, building, and deployment operations. Configuring DevOps pipelines is challenging and time-consuming, as developers must understand platform-specific syntax and manually create configuration files. This complexity can lead to configuration errors and reduced productivity, especially for developers with limited DevOps experience. This paper introduces the AutoPipelineAI system, which generates CI/CD pipeline configurations using natural language descriptions. The proposed solution uses large language models (LLMs) to translate developer intent, analyze repository structures, and create specific pipeline scripts for environments like GitHub Actions and GitLab CI/CD. It integrates repository-aware analysis, automated validation systems, and a feedback mechanism that confirms the accuracy and usability of the created pipelines. We present the system architecture, its implementation, and an assessment framework designed to measure generation precision, configuration validity, and reduction in setup effort compared to manual pipeline creation. AutoPipelineAI illustrates how LLMs can simplify the complexity of DevOps configuration and enhance developer access to continuous delivery methods. Evaluation results provide early evidence that repository-aware, natural-language-driven CI/CD generation is a viable and promising paradigm for reducing the complexity of DevOps configuration and enabling more accessible software delivery automation.
- Abstract（参考訳）: 現代のソフトウェア開発は、テスト、ビルド、デプロイメント操作を自動化するためにCI/CDパイプラインに依存しています。
開発者はプラットフォーム固有の構文を理解して、手動で構成ファイルを作成する必要がある。
この複雑さは、特にDevOpsの経験が限られている開発者にとって、コンフィギュレーションのエラーや生産性の低下につながる可能性がある。
本稿では,CI/CDパイプライン構成を自然言語記述を用いて生成するAutoPipelineAIシステムを提案する。
提案されたソリューションは、開発者意図を翻訳し、リポジトリ構造を分析し、GitHub ActionsやGitLab CI/CDのような環境用の特定のパイプラインスクリプトを作成するために、大きな言語モデル(LLM)を使用する。
リポジトリ対応の分析、自動バリデーションシステム、生成したパイプラインの正確性とユーザビリティを確認するフィードバックメカニズムを統合する。
本稿では,手作業によるパイプライン作成と比較して,システムアーキテクチャ,実装,生成精度,構成妥当性,セットアップ作業の削減を計測するための評価フレームワークについて述べる。
AutoPipelineAIは、LLMがDevOps設定の複雑さを単純化し、継続的デリバリメソッドへの開発者アクセスを強化する方法について説明している。
評価結果は、リポジトリを意識した自然言語駆動型CI/CD生成が、DevOps構成の複雑さを低減し、よりアクセスしやすいソフトウェアデリバリ自動化を実現するための、実用的で有望なパラダイムである、という初期の証拠を提供する。
関連論文リスト
- A Model-Driven Digital Twin for the Systematic Improvement of DevOps Pipelines [0.0]
本稿では,CI/CDパイプラインのためのモデル駆動型Digital Twin(DT)を提案する。
提案したDTアーキテクチャは、パイプライン構造の視覚的抽象化、障害トレース、および系統的なバージョン比較を可能にする。
このフレームワークは、高度な分析および規範的なサービスをソフトウェアデリバリプロセスに統合するための、モジュール化された基盤を提供する。
論文 参考訳（メタデータ） (2026-04-02T14:09:14Z) - kRAIG: A Natural Language-Driven Agent for Automated DataOps Pipeline Generation [0.5833117322405447]
我々は、自然言語仕様をプロダクション対応KubeReason Pipelines(KFP)に変換するAIエージェントであるkRAIGを紹介する。
ユーザ意図の曖昧さを解決するために,パイプライン合成に先立って意図を明確に示すインタラクションフレームワークReQuesActを提案する。
本フレームワークは,最先端のエージェントベースラインと比較して,抽出とロードの精度が3倍向上し,変換精度が25%向上する。
論文 参考訳（メタデータ） (2026-03-19T17:53:00Z) - LLM-Augmented Release Intelligence: Automated Change Summarization and Impact Analysis in Cloud-Native CI/CD Pipelines [0.0]
クラウドネイティブなソフトウェアデリバリプラットフォームは、数十の独立したバージョン管理タスクで構成される複雑なマルチステージパイプラインを通じて、リリースをオーケストレーションする。
このようなリリースコミュニケーションのマニュアル準備は遅く、一貫性がなく、特にリポジトリではエラーが発生します。
1) 自動コミット収集とセマンティックフィルタリングを併用して,定期的なメンテナンスを抑えながら実体的変化を表面化する,(2) 階層化された大規模言語モデル要約による分類,利害関係者指向のプロモーションレポートの生成,(3) 修正タスクを参加者が参加するパイプライン毎にマップする静的タスク-パイプライン依存性分析, そして各変更のブラスト半径を定量化する,という3つの機能を組み合わせたAI強化リリースインテリジェンスのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-15T21:30:52Z) - RepoLaunch: Automating Build&Test Pipeline of Code Repositories on ANY Language and ANY Platform [49.43594274832262]
RepoLaunchは、依存関係を自動的に解決し、ソースコードをコンパイルし、任意のプログラミング言語やオペレーティングシステムにわたるリポジトリのテスト結果を抽出できる最初のエージェントである。
RepoLaunchは残りのステップを自動化し、スケーラブルなベンチマークとコーディングエージェントとLLMのトレーニングを可能にする。
論文 参考訳（メタデータ） (2026-03-05T10:15:13Z) - ABC-Bench: Benchmarking Agentic Backend Coding in Real-World Development [72.4729759618632]
本稿では,現実的かつ実行可能なワークフロー内でエージェントバックエンドコーディングを評価するベンチマークであるABC-Benchを紹介する。
オープンソースリポジトリから8つの言語と19のフレームワークにまたがる224の実践的なタスクをキュレートしました。
我々の評価は、最先端モデルでさえ、これらの総合的なタスクに対して信頼性の高いパフォーマンスを提供するのに苦労していることを示している。
論文 参考訳（メタデータ） (2026-01-16T08:23:52Z) - Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。
ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。
ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
論文 参考訳（メタデータ） (2025-12-31T14:03:39Z) - A Declarative Language for Building And Orchestrating LLM-Powered Agent Workflows [0.0]
本稿では,エージェントワークフロー仕様と実装を分離する宣言型システムを提案する。
これらの結果から,開発時間の60%削減,デプロイメント速度の3倍の改善が見られた。
製品検索やパーソナライズ,カート管理といった複雑な処理は,500行以上の命令型コードと比較して,50行未満のDSLで表現可能であることを示す。
論文 参考訳（メタデータ） (2025-12-22T05:03:37Z) - PIPer: On-Device Environment Setup via Online Reinforcement Learning [74.52354321028493]
自動化された環境設定メソッドは、任意のリポジトリに対して、手作業なしで完全に構成された環境を提供することで、開発者を支援することができる。
近年の研究では、最先端のLarge Language Models (LLMs) でさえ、このタスクの自動化に限られた成功をおさめていることが明らかになっている。
我々は、正しいスクリプトを生成するための教師付き微調整と、環境設定のタスクに適応するために、Reinforcement Learning with Verifiable Rewards(RLVR)を組み合わせる。
EnvBench-Python では,より大型の Qwen3-32B や GPT-4 と同等に動作可能な Qwen3-8B (コンシューマハードウェア上で動作可能なモデル) を実現する。
論文 参考訳（メタデータ） (2025-09-29T20:03:05Z) - DevOps Automation Pipeline Deployment with IaC (Infrastructure as Code) [0.9786690381850356]
本稿では,現在のソフトウェア開発とデプロイメントプロセスを,継続的インテグレーションと継続的デリバリ(CI/CD)パイプラインとして合理化することを目的とする。
論文のさらなる目的は、DevOps Infrastructure as Code(IaC)とPipelineをコードとして実装する戦略を実証することである。
論文 参考訳（メタデータ） (2025-03-20T11:12:54Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z)
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。