論文の概要: LLMoxie: Exploring Agentic AI for Scientific Software Development
- arxiv url: http://arxiv.org/abs/2607.02703v1
- Date: Thu, 02 Jul 2026 18:46:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.397498
- Title: LLMoxie: Exploring Agentic AI for Scientific Software Development
- Title（参考訳）: LLMoxie: 科学ソフトウェア開発のためのエージェントAIの探索
- Authors: Landung Setiawan, Anant Mittal, Cordero Core, Anshul Tambay, Carlos Garcia Jurado Suarez, David A. C. Beck, Andrew J. Connolly, Vani Mandava,
- Abstract要約: RSEが天文学、地球科学、気候科学、農業、健康プロジェクトに埋め込まれた大学ベースの研究ソフトウェアエンジニアリング(RSE)センターでの20ヶ月の実践の報告は、このギャップを埋めるために働いた。
マルチドメインのRSEセンターでAgentic AIを採用する上で、繰り返し発生するインフラストラクチャ、ガバナンス、プロセスの課題を説明し、プラットフォームとプラグインの設計を説明し、実際の科学的ソフトウェアデプロイメントから運用上の教訓を抽出する。
- 参考スコア（独自算出の注目度）: 0.2708918306110244
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we describe LLMoxie, an institutional AI platform whose three-tiered architecture supports multi-cloud and on-premise inference, a LiteLLM/MLflow control plane for authentication, budgeting, PII masking, and observability, and an application augmentation layer for AI coding agents. Layered on top, an open-source RSE-Plugins ecosystem encodes accumulated RSE knowledge as a Plugin-Agent-Skill hierarchy spanning scientific Python practice, domain-specific knowledge, a six-phase research-and-implement workflow, and project lifecycle management. Scientific software is judged less by raw code quality than by whether it can be cited, audited, reproduced, and extended. Off-the-shelf AI coding agents, optimized against commercial software benchmarks, are poorly calibrated for this setting: they ignore the conventions of the scientific Python libraries they invoke, mishandle sensitive or embargoed data, and leave decision trails that are difficult to reconstruct after the fact. We report on twenty months of practice at a university-based research software engineering (RSE) center, where RSEs embedded across astronomy, earth and climate science, agriculture, and health projects worked to close this gap. We characterize the recurring infrastructure, governance, and process challenges of adopting Agentic AI inside a multi-domain RSE center, describe the platform and plugin design, and distill operational lessons from real scientific software deployments. Together, the platform and plugins shift AI coding agents from generic code generators into domain-aware collaborators that respect community norms and produce auditable provenance of technical reasoning.
- Abstract（参考訳）: 本稿では,LLMoxieについて述べる。LLMoxieは,マルチクラウドとオンプレミスの推論をサポートする3層アーキテクチャ,認証,予算管理,PIIマスキング,可観測性のためのLiteLLM/MLflowコントロールプレーン,AIコーディングエージェントのためのアプリケーション拡張レイヤである。
その上に、オープンソースのRSE-Pluginsエコシステムが、科学的Pythonプラクティス、ドメイン固有の知識、6フェーズの研究と実装のワークフロー、プロジェクトライフサイクル管理にまたがるプラグイン-エージェント-スキル階層として、蓄積したRSEの知識をエンコードしている。
科学ソフトウェアは、引用、監査、再生、拡張できるかどうかよりも、生のコード品質によって判断される。
実行中のAIコーディングエージェントは、商用ソフトウェアベンチマークに最適化されているが、この設定では不十分な調整がなされている。
そこでは,天文学,地球・気候科学,農業,保健などの分野にRSEが組み込まれ,そのギャップを埋める作業を行った。
マルチドメインRSEセンタ内でAgentic AIを採用する上での、繰り返し発生するインフラストラクチャ、ガバナンス、プロセスの課題を特徴付け、プラットフォームとプラグインの設計を説明し、実際の科学的ソフトウェアデプロイメントから運用上の教訓を抽出します。
プラットフォームとプラグインは共に、AIコーディングエージェントをジェネリックコードジェネレータから、コミュニティの規範を尊重し、技術的推論の監査可能な証明を生成するドメイン対応のコラボレータに移行する。
関連論文リスト
- 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 Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - SWE-Compass: Towards Unified Evaluation of Agentic Coding Abilities for Large Language Models [59.90381306452982]
ソフトウェアエンジニアリングのための大規模言語モデル(LLM)の評価は、タスクカバレッジの狭さ、言語バイアス、現実世界の開発者との整合性の不足によって制限されている。
SWE-1は、不均一なコード関連評価を構造化および生産整合性のあるフレームワークに統合する包括的なベンチマークである。
SWE-は8つのタスクタイプ、8つのプログラミングシナリオ、10のプログラミング言語にまたがる。
論文 参考訳（メタデータ） (2025-11-07T18:01:32Z) - Cognitive Kernel-Pro: A Framework for Deep Research Agents and Agent Foundation Models Training [67.895981259683]
汎用AIエージェントは、次世代人工知能の基礎となるフレームワークとして、ますます認識されている。
現在のエージェントシステムはクローズドソースか、さまざまな有料APIやプロプライエタリなツールに大きく依存している。
我々は,完全オープンソースかつ(最大限に)フリーなマルチモジュールエージェントフレームワークであるCognitive Kernel-Proを提案する。
論文 参考訳（メタデータ） (2025-08-01T08:11:31Z) - 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) - Unified Software Engineering agent as AI Software Engineer [14.733475669942276]
大規模言語モデル(LLM)技術は、自動コーディングに対する期待を高めた。
本稿では,統一ソフトウェア工学エージェントやUSEagentを開発することによって,この問題を理解することを目的とする。
私たちはUSEagentを、AIと人間の両方を含む将来のソフトウェア開発チームのチームメンバーになる、将来のAIソフトウェアエンジニアの最初のドラフトとして考えています。
論文 参考訳（メタデータ） (2025-06-17T16:19:13Z) - Comparing Software Developers with ChatGPT: An Empirical Investigation [0.0]
本稿では,ChatGPTのようなソフトウェア技術者やAIシステムのパフォーマンスを,さまざまな評価指標で比較した実証的研究を行う。
この論文は、さまざまな評価基準を考慮して、ソフトウェアエンジニアとAIベースのソリューションの包括的な比較が、人間と機械のコラボレーションを促進する上で重要であることを示唆している。
論文 参考訳（メタデータ） (2023-05-19T17:25:54Z)
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。