論文の概要: Agents That Teach: Towards Designing Incidental Learning Back into AI-Assisted Software Development
- arxiv url: http://arxiv.org/abs/2607.06101v1
- Date: Tue, 07 Jul 2026 10:14:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.47713
- Title: Agents That Teach: Towards Designing Incidental Learning Back into AI-Assisted Software Development
- Title（参考訳）: インシデント学習をAI支援ソフトウェア開発に戻すためのエージェント
- Abstract要約: インシデント学習は、それ自体で再統合されず、開発者とエージェントのインタラクションに意識的に設計されなければならない、と私たちは主張する。
我々は「教えるエージェント」の概念に基づくマルチエージェントシステム「SHIELD」を提案する。
我々は、生産性と学習が相補的であり、競合しない学習意識のある開発環境への道のりを構想する。
- 参考スコア（独自算出の注目度）: 1.6193916818014198
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI coding agents are rapidly reshaping how software is built, with developers increasingly delegating substantial coding tasks to autonomous agents in pursuit of higher productivity. While these gains are real, they come at the cost of incidental learning. Developers historically acquired informal knowledge through effortful problem-solving, and this has long shaped how software engineering expertise develops. However, with over-reliance on agentic coding, unpracticed skills could atrophy silently over time. As this learning pathway is short-circuited, developers risk silently accruing Knowledge Debt, a developer-level analogue of Technical Debt, where changes the agent executes that the developer cannot fully understand accrue over time. In this paper, we argue that incidental learning will not re-emerge on its own and must be consciously designed back into developer-agent interactions, and propose six design principles to guide such systems. We then present "SHIELD", a multi-agent system grounded in the notion of "agents that teach", that operationalizes these principles by leveraging the AI coding agent's own reasoning to surface contextual, out-of-band learning moments without disrupting developer flow. Through this work, we envision a path toward learning-aware development environments where productivity and learning are complementary, not competing.
- Abstract（参考訳）: AIコーディングエージェントは、ソフトウェアの構築方法が急速に変わってきており、開発者は生産性を高めるために、かなり多くのコーディングタスクを自律エージェントに委譲するようになっている。
これらの利益は本物だが、同時に学習するコストがかかる。
開発者は、努力的な問題解決を通じて、歴史的に非公式な知識を獲得してきた。
しかし、エージェントコーディングに過度に依存すると、実践されていないスキルは時間の経過とともに無声で萎縮する可能性がある。
この学習経路が短絡しているため、開発者はKnowledge Debtの開発者レベルのアナログであるKnowledge Debtを静かに獲得するリスクがある。
本稿では,インシデント学習が自分自身で再導入されることはなく,開発者とエージェントのインタラクションに意識的に再設計する必要があることを論じ,そのようなシステムを導くための設計原則を6つ提案する。
そこで我々は、AIコーディングエージェント自身の推論を活用して、開発者フローを損なうことなく、文脈的に、帯域外学習モーメントを表面化することで、これらの原則を運用するマルチエージェントシステム「SHIELD」を提案する。
本研究を通じて,生産性と学習が相補的であり,競合しない学習意識開発環境への道が望まれる。
関連論文リスト
- PRAXIS: Graph-Grounded Tacit Knowledge for Domain Code Generation [61.752289169878566]
ドメイン固有のビジネスルール、インターフェース契約、開発者が実践を通じて内部化するが文書化しない運用規約を含む、エージェントの暗黙の知識の欠如の根本原因を特定します。
この知識は、ドメイン・コードの下に深く埋もれており、コード・エンティティとその依存関係にまたがっており、それを持たないエージェントには見えません。
本稿では,ドメインコード生成のための暗黙的知識の抽出,表現,再利用を可能にするフレームワークであるPRAXISを提案する。
論文 参考訳（メタデータ） (2026-08-20T08:28:28Z) - AgentForge: An Immersive Role-Playing Platform for Learning Agentic Software Engineering [4.609790123179083]
textitAgentForgeは、初心者が4つのソフトウェアエンジニアリングの役割のうちの1つを担う没入型学習システムである。
各練習セッションでは、初心者が選択した役割を演じ、AIエージェントが残りの3つを実行する。
37人の初心者開発者を対象にした調査では、AIエージェントのサポートで高いタスク補完率を達成した。
論文 参考訳（メタデータ） (2026-08-04T18:58:18Z) - 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) - AgentX: Towards Agent-Driven Self-Iteration of Industrial Recommender Systems [82.01232437066487]
AgentXはプロダクションデプロイされたマルチエージェントシステムで、このプロダクション機能を再構築する。
自律的に生成し、実装し、評価し、レコメンデーション実験から学ぶ。
AgentXは4つの密結合したステージをクローズドループでオーケストレーションする。
論文 参考訳（メタデータ） (2026-06-25T10:42:28Z) - "I'm Not Reading All of That": Understanding Software Engineers' Level of Cognitive Engagement with Agentic Coding Assistants [9.74467739744379]
AIシステムへの過度な依存は、ユーザの批判的思考を損なう可能性がある。
ソフトウェア工学では、エージェントコーディングアシスタント(ACA)が日々の開発に急速に組み込まれつつある。
論文 参考訳（メタデータ） (2026-03-15T05:03:20Z) - 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) - 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) - Code Digital Twin: Empowering LLMs with Tacit Knowledge for Complex Software Development [8.821206496273842]
ソフトウェアモデルと大規模言語モデルの両方の観点から、課題を特定します。
ソフトウェアの物理層と概念層の両方をモデル化するフレームワークであるCode Digital Twinを提案する。
私たちのビジョンは、AIの進歩とエンタープライズソフトウェアの現実の橋渡しと位置づけています。
論文 参考訳（メタデータ） (2025-10-18T08:17:54Z) - Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。
我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。
結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
論文 参考訳（メタデータ） (2025-07-10T20:12:54Z) - Software Reuse in the Generative AI Era: From Cargo Cult Towards AI Native Software Engineering [2.7808182112731537]
新たな"AIネイティブ"ソフトウェアエンジニアリングの文脈において,AIによる生成ソフトウェア再利用がもたらす意味について論じる。
本稿は、暫定的な研究課題を定義し、このアプローチにかかわるいくつかの中心的な課題に取り組むための行動を呼びかける。
論文 参考訳（メタデータ） (2025-06-22T08:09:25Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z) - Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。
本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。
実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
論文 参考訳（メタデータ） (2023-12-28T13:50:42Z)
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。