論文の概要: How Do Developers Maintain and Evolve Their Agents' Instructions? An Empirical Study

• arxiv url: http://arxiv.org/abs/2606.25257v1
• Date: Wed, 24 Jun 2026 00:32:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.172601
• Title: How Do Developers Maintain and Evolve Their Agents' Instructions? An Empirical Study
• Title（参考訳）: 開発者はどのようにしてエージェントの指示を守り、進化させるか? : 実証的研究
• Abstract要約: エージェントコンテキストファイル(ACF)は、エージェントを構造化命令でガイドする実用的なメカニズムとして登場した。 本稿では,ACFの進化とエージェント駆動開発におけるその役割について検討する。
• 参考スコア（独自算出の注目度）: 9.708580060106414
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context. Autonomous coding agents are increasingly used in software development, shifting parts of the engineering process to AI assistance. While this automation brings clear benefits, it introduces challenges in governance, traceability, and control over agent behavior. Agent Context Files (ACFs) have emerged as a practical mechanism to guide agents through structured instructions, yet little is known about how these artifacts are maintained and how their evolution relates to code development. Objective. This paper plans to investigate the evolution of ACFs and their role in agent-driven development. Specifically, we (1) classify ACF changes through a taxonomy grounded in software maintenance theory, (2) analyze how different types of changes are associated with code quality outcomes, and (3) examine their temporal patterns across the development lifecycle. Method. We conduct a large-scale mining study combining repositories with ACFs and agent-generated commits. We reconstruct ACF evolution at the commit level, classify changes using a qualitative approach, and analyze their association with code quality metrics. Statistical analyses and hypotheses are used to evaluate differences across maintenance categories, to inform future design of ACFs for governing autonomous coding agents.
• Abstract（参考訳）: コンテキスト。 自律的なコーディングエージェントは、エンジニアリングプロセスの一部からAIアシストに移行することで、ソフトウェア開発でますます使われています。 この自動化は明確なメリットをもたらすが、ガバナンス、トレーサビリティ、エージェントの振る舞いの制御における課題を導入する。 Agent Context Files (ACF)は、構造化された命令を通じてエージェントをガイドする実用的なメカニズムとして登場したが、これらのアーティファクトがどのように維持され、それらの進化がコード開発にどのように関係するかについてはほとんど分かっていない。 目的。 本稿では,ACFの進化とエージェント駆動開発におけるその役割について検討する。 具体的には,(1)ソフトウェア保守理論に基づく分類を通してACFの変更を分類し,(2)コード品質の結果にどのような変化が関係しているかを解析し,(3)開発ライフサイクルの時間的パターンについて検討する。 方法。 ACFとエージェント生成コミットを組み合わせた大規模鉱業調査を行っている。 コミットレベルでのACFの進化を再構築し、質的なアプローチで変更を分類し、コード品質メトリクスとの関係を分析します。 統計的分析と仮説は、保守カテゴリ間の差異を評価し、自律的なコーディングエージェントを管理するためのACFの設計を将来の設計に通知するために用いられる。

関連論文リスト

• Self-Evolving Coding Agents [11.43197414613246]
  自己進化型コーディングエージェントは、リポジトリを検査し、ツールを実行し、テストを実行し、障害をデバッグし、パッチを生成することができる。 まず、自己進化型プログラミングエージェントを定義し、それらを従来のコーディングエージェントや一般的な自己進化型エージェントと区別する。 実行可能なフィードバック、リポジトリレベルのコンテキスト、コーディングトラジェクトリは、ソフトウェアエンジニアリングをエージェントの自己進化のための自然なドメインとして、ユニークな役割を与えます。
  論文  参考訳（メタデータ） (2026-08-04T09:43:46Z)
• How Do AI Coding Agents Contribute to Software Development? an Empirical Study of Agentic Pull Requests [5.6795075579540395]
  本研究では,人為的プルリクエスト(PR)を,人為的プルリクエスト(PR)と比較して特徴付けることを目的とする。 まず,エージェントと人為的PRのマージ率の差が時間とともにどのように変化するかを分析する。 次に、AIコーディングエージェントが主に適用される開発タスクの種類を特定します。
  論文  参考訳（メタデータ） (2026-07-23T21:48:28Z)
• How Do Practitioners Build SE Agents? Insights from a Mixed-Methods Study [14.012434371282382]
  本論文は,SEエージェントの開発において,ソフトウェア工学プロセスがどのように変化しているかを初めて研究する。 7段階のワークフローと評価駆動開発へのシフトを特徴付ける。 私たちは、チームが直面する6つの課題と、それらに取り組むために採用するプラクティスを特定します。
  論文  参考訳（メタデータ） (2026-07-12T17:40:36Z)
• Agentic Software: How AI Agents Are Restructuring the Software Paradigm [0.0]
  AIエージェントの出現は、ソフトウェアが何であるかの根本的な再構成を構成すると我々は主張する。 前者では、コードは事前記述された決定論理のキャリアであり、後者では、エージェント自体が決定論理である。 セルフ進化エージェントエコシステムに向けた4段階のロードマップで締めくくります。
  論文  参考訳（メタデータ） (2026-06-04T02:30:06Z)
• From Prompt to Process: a Process Taxonomy and Comparative Assessment of Frameworks Supporting AI Software Development Agents [0.0]
  AI機能をプロセスに変換する運用フレームワークに重点を置いています。 仕様駆動による完全な軽量な開発、エージェント駆動のアジャイル計画、エージェント上のコンテキストエンジニアリング、ワークツリーの分離とレビュー、レガシーシステムからの運用仕様の回復。 私たちの中心的な貢献は、仕様、コンテキスト、役割、実行、バリデーション、ポータビリティという6次元プロセスの分類です。
  論文  参考訳（メタデータ） (2026-06-03T14:49:15Z)
• Code as Agent Harness [107.31925305395957]
  新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。 コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。 この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:03Z)
• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• From Prompt-Response to Goal-Directed Systems: The Evolution of Agentic AI Software Architecture [0.0]
  Agentic AIは、ステートレスでプロンプト駆動型生成モデルからゴール指向システムへのアーキテクチャ移行を表す。 本稿では、知的エージェント理論と現代のLCM中心のアプローチを結びつけることによって、この遷移を考察する。 この研究は、標準化されたエージェントループ、登録、監査可能な制御機構への収束を特定する。
  論文  参考訳（メタデータ） (2026-02-11T03:34:48Z)
• An Empirical Study of Agent Developer Practices in AI Agent Frameworks [59.862193600499914]
  大規模言語モデル(LLM)の台頭はエージェントへの関心の高まりを引き起こし、エージェントフレームワークの急速な成長につながった。 エージェントフレームワークが広く使われているにもかかわらず、それらの実践的応用とエージェント開発プロセスにどのように影響するかは未解明のままである。 開発者の80%以上が、特定の開発要件に最も適合するフレームワークを特定するのに苦労していると報告している。
  論文  参考訳（メタデータ） (2025-12-01T17:52:15Z)
• 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 Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Understanding Software Engineering Agents Through the Lens of Traceability: An Empirical Study [15.97770416681533]
  ソフトウェアエンジニアリングエージェント(SWEエージェント)は、ユーザの入力を解釈し、環境フィードバックに応答することで、自律的に動作する。 本稿では,SWEエージェントの動作を,実行トレースのレンズを通してシステマティックに解析する。
  論文  参考訳（メタデータ） (2025-06-10T00:41:54Z)
• Large Language Model Agent: A Survey on Methodology, Applications and Challenges [88.3032929492409]
  大きな言語モデル(LLM)エージェントは、目標駆動の振る舞いと動的適応能力を持ち、人工知能への重要な経路を示す可能性がある。 本調査は, LLMエージェントシステムを方法論中心の分類法により体系的に分解する。 私たちの作業は、エージェントの構築方法、コラボレーション方法、時間の経過とともにどのように進化するか、という、統一されたアーキテクチャの視点を提供します。
  論文  参考訳（メタデータ） (2025-03-27T12:50:17Z)
• Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
  人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である 本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-22T17:57:57Z)

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。