論文の概要: Govern the Repository, Not the Agent: Measuring Ecosystem-Level Risk in AI-Native Software
- arxiv url: http://arxiv.org/abs/2606.28235v1
- Date: Fri, 26 Jun 2026 16:22:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.539223
- Title: Govern the Repository, Not the Agent: Measuring Ecosystem-Level Risk in AI-Native Software
- Title（参考訳）: AI-Native Softwareにおけるエコシステムレベルリスクの測定
- Abstract要約: 私たちは、他のコントリビュータが同時に変更しているコントリビュータにコントリビューションを統合するコストである、統合摩擦を研究します。
同じリポジトリでは、エージェントによるコントリビューションが、このリポジトリレベルの摩擦を、人間の約2倍に集中している。
- 参考スコア（独自算出の注目度）: 3.362633173562401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous coding agents now open and merge pull requests in shared repositories at scale, and the field evaluates them the way it has always evaluated components, one agent at a time, on isolated benchmark tasks. Yet agents that each pass their own tests still leave repositories that accumulate problems no single contribution accounts for. We ask whether this problem belongs to the individual agent or to the repository where it accumulates. We study integration friction, the cost of integrating a contribution into a codebase that other contributors are concurrently changing. Across more than 930,000 agent-authored pull requests, we measure how much of the variation in friction stays with the repository after the contribution, its author, its size, and its agent are accounted for. About half does, and it survives full controls. In the same repositories, agent-authored contributions concentrate this repository-level friction roughly twice as much as human ones (intraclass correlation 0.30 versus 0.16), a gap that holds after controlling for codebase size, age, task shape, process maturity, and merge path. The risk is a property of the ecosystem, not the agent. AI-native software is therefore better measured and governed at the ecosystem level than one agent at a time.
- Abstract（参考訳）: 自動コーディングエージェントが大規模に公開され、共有リポジトリにプルリクエストをマージする。フィールドは、独立したベンチマークタスクにおいて、一度にひとつのエージェントであるコンポーネントを常に評価する方法を、それらを評価する。
しかし、それぞれのテストに合格したエージェントは、単一のコントリビューションが説明できないような問題を蓄積したリポジトリを残している。
この問題は個々のエージェントに属しているのか、リポジトリに蓄積されているのかを問う。
私たちは、他のコントリビュータが同時に変更しているコードベースにコントリビューションを統合するコストである、統合摩擦を研究します。
930,000以上のエージェントが承認したプルリクエストに対して、コントリビューション後の摩擦の変動がリポジトリにどの程度残っているか、その作者、サイズ、エージェントが説明されているかを測定します。
ほぼ半分で、完全にコントロールできる。
同じリポジトリでは、エージェントによるコントリビューションによって、このリポジトリレベルの摩擦は、コードベースのサイズ、年齢、タスクの形状、プロセスの成熟度、マージパスを制御した後に発生するギャップである(クラス内の相関0.30対0.16)。
リスクは、エージェントではなく、エコシステムの特性です。
したがって、AIネイティブソフトウェアは、一度にひとつのエージェントよりもエコシステムレベルで測定され、管理される。
関連論文リスト
- Skill Issue: Lessons from Optimizing Repository SKILLs for Coding Agents [0.09558392439655013]
コーディングエージェントは、SKILLsからリポジトリの知識を読み取るようになっている。
最近の研究は、ベンチマークに対して文書を最適化することで、これらのファイルを自動で合成する。
より難しいタスク --- リポジトリのプルリクエストをマージし、単一の凍結されたベースコミットでリターンし、同じエージェントがそれなしでよいかどうかで候補ドキュメントをスコアします。
論文 参考訳（メタデータ） (2026-09-11T11:41:29Z) - A Few Pages of Markdown: Committed AI Configuration and Lower Quality Cost after Coding-Agent Adoption [33.31789388282026]
コーディングエージェントは開発速度を増加させるだけでなく、技術的負債も増す。
以前の作業では、採用者の平均的な影響しか報告せず、チーム間の大きな違いを隠蔽しています。
私たちは、バージョン管理アーティファクトに基づく4段階の累積成熟モデルであるRAMPを紹介します。
論文 参考訳（メタデータ） (2026-08-26T00:00:48Z) - AgentRiskBOM: A Risk-Scoping Security Bill of Materials for Agentic AI Systems [0.519554837386174]
本稿ではリスクスコープツールを用いたAIエージェントのためのセキュリティBOMであるAgentRiskBOMを紹介する。
SBOM、AIBOM、MLBOM上の付加層であり、権威のための権威のあるランタイムフィールドを追加する場所を参照している。
カバレッジ分析により、AgentRiskBOMは16の能力範囲で14のネイティブ等価スコア、SBOMは1、AIBOMは1.5、MLBOMは2のスコアを得る。
論文 参考訳（メタデータ） (2026-06-20T04:38:41Z) - Handoff Debt: The Rediscovery Cost When Coding Agents Take Over Interrupted Tasks [0.0]
他のエージェントやエンジニアが残した部分的な状態からタスクを中断し、再割り当てし、レビューし、再開するからです。
前任者の作業が不透明あるいは不完全である場合に課される再検討コスト。
我々の乗っ取りプロトコルは、決定論的ハンドオフポイントで符号化エージェントを中断し、リポジトリを凍結し、4つのハンドオフビューで後継エージェントを評価する。
論文 参考訳（メタデータ） (2026-06-01T20:40:38Z) - Multi-agent Collaboration with State Management [21.19345862774123]
複数のエージェントが同時に共有を編集すると、その変更は静かに衝突し、一貫性のないビューは統合の失敗につながる。
既存のマルチエージェントシステムはワークスペース分離(エージェント毎に1つのgitワークツリーなど)を通じてこの問題に対処している。
マルチエージェントコラボレーションのためのSTORM,すなわちSTate-Oriented Managementを提案する。
論文 参考訳（メタデータ） (2026-05-19T23:45:33Z) - 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) - Effective Strategies for Asynchronous Software Engineering Agents [52.76455094324273]
本稿では,集中型タスクデリゲート,非同期実行,独立したワークスペースという,3つのSWEプリミティブに根ざした構造化マルチエージェント協調パラダイムを導入する。
CAIDは,紙再生タスク(PaperBench)では26.7%,Pythonライブラリ開発タスクでは14.3%,単一エージェントベースラインでは26.7%の精度向上を実現している。
論文 参考訳（メタデータ） (2026-03-23T02:26:35Z) - On the Impact of AGENTS.md Files on the Efficiency of AI Coding Agents [16.82096806929777]
我々は、GitHubのプルリクエストで動作するAIコーディングエージェントのランタイムとトークン消費に対する AgentS.mdファイルの影響を調査した。
以上の結果から, AgentS.md の存在は, 中央値の低いランタイムと出力トークン消費の減少と関連していることがわかった。
論文 参考訳（メタデータ） (2026-01-28T09:09:30Z) - AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development [12.50615284537175]
大規模言語モデル(LLM)ベースのコーディングエージェントは、プルリクエストの生成とマージを行う自律的なコントリビュータとして機能するようになっている。
本稿では,オープンソースリポジトリにおけるエージェント導入の経時的因果関係について検討する。
論文 参考訳（メタデータ） (2026-01-20T04:51:56Z) - Agent0: Unleashing Self-Evolving Agents from Zero Data via Tool-Integrated Reasoning [84.70211451226835]
大規模言語モデル(LLM)エージェントは、人間の計算データへの依存によって制約される。
我々は,外部データを持たない高性能エージェントを進化させる完全自律型フレームワークであるAgent0を紹介する。
Agent0は推論能力を大幅に向上させ、Qwen3-8B-Baseモデルを数学的推論で18%改善し、一般的な推論ベンチマークで24%改善した。
論文 参考訳（メタデータ） (2025-11-20T05:01:57Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - Alibaba LingmaAgent: Improving Automated Issue Resolution via Comprehensive Repository Exploration [64.19431011897515]
本稿では,問題解決のためにソフトウェアリポジトリ全体を包括的に理解し,活用するために設計された,新しいソフトウェアエンジニアリング手法であるAlibaba LingmaAgentを提案する。
提案手法では,重要なリポジトリ情報を知識グラフに凝縮し,複雑さを低減し,モンテカルロ木探索に基づく戦略を採用する。
Alibaba Cloudの製品展開と評価において、LingmaAgentは、開発エンジニアが直面した社内問題の16.9%を自動で解決し、手作業による介入で43.3%の問題を解決した。
論文 参考訳（メタデータ） (2024-06-03T15:20:06Z) - On the Use and Misuse of Absorbing States in Multi-agent Reinforcement
Learning [55.95253619768565]
現在のMARLアルゴリズムは、実験を通してグループ内のエージェントの数が固定されていると仮定している。
多くの実践的な問題において、エージェントはチームメイトの前に終了する可能性がある。
本稿では,吸収状態を持つ完全連結層ではなく,注意を用いた既存の最先端MARLアルゴリズムのアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-11-10T23:45:08Z)
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。