論文の概要: TerraRepair: A Tool-Grounded LLM Agent for Infrastructure-as-Code Repair
- arxiv url: http://arxiv.org/abs/2607.11390v1
- Date: Mon, 13 Jul 2026 10:54:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.441973
- Title: TerraRepair: A Tool-Grounded LLM Agent for Infrastructure-as-Code Repair
- Title（参考訳）: TerraRepair: インフラストラクチャ・アズ・コード修復のためのツール群LLMエージェント
- Abstract要約: LLM(Large Language Model)ベースの修復アプローチは、いくつかの発見を修復することができるが、問題を修正することなく、幻覚や警告を抑えることができる。
構造的エスカレーションによるTerraform修復のためのツール接地型LLMエージェントの試作について述べる。
当社のツールは、AWS、Azure、GCPの2つのIaCセキュリティスキャナであるCheckovとTrivyを使用して、2つの脆弱な設計Terraformリポジトリ上で評価しています。
- 参考スコア（独自算出の注目度）: 4.223176941421543
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Background: Infrastructure-as-Code (IaC) scanners detect cloud misconfigurations in Terraform and other IaC languages before deployment, but repairing the flagged configurations remains largely manual. Recent Large Language Model (LLM)-based repair approaches can repair some findings, but may hallucinate unsupported constructs or suppress warnings without fixing the issue. Aims: We study whether tool grounding can improve LLM-based Terraform repair, and when a finding should be escalated because the required deploymnet-specific context is not availble. Method: We present TerraRepair, a prototype of a tool-grounded LLM agent for Terraform repair with structured escalation. TerraRepair retrieves dependency context from Terraform references, consults the installed provider schema, and re-runs the scanner before returning a candidate repair. Then teh required context is absent, TerraRepair escalates instead of fabricating a plausible fix. Results: We evaluate our tool on two vulnerable-by-design Terraform repositories using two IaC security scanners, Checkov and Trivy, across AWS, Azure, and GCP. On the combined AWS benchmark, TerraRepair improves scanner-verified fix rates from 26.6% to 78.4% on Checkov and from 44.8% to 72.4% on Trivy, compared with a controlled one-shot baseline. It repairs are labelled as correct under a majority-vote protocol. Conclusions: These emerging results show that tool grounding can substantially improve scanner-verified LLM-based IaC repair on the studied benchmarks, while missing deployment-specific context remains the main knowledge boundary for full autonomy.
- Abstract（参考訳）: 背景: インフラストラクチャ・アズ・コード(IaC)スキャナはデプロイ前にTerraformや他のIaC言語でクラウドの誤設定を検出する。
最近のLarge Language Model(LLM)ベースの修復アプローチは、いくつかの発見を修復することができるが、その問題を修正せずに幻覚や警告を抑えることができる。
Aims: ツールグラウンディングがLDMベースのTerraformのリカバリを改善することができるのか、必要なデプロイネットワーク固有のコンテキストが有効ではないため、発見がエスカレーションされるべきなのか、調査しています。
方法:TerraRepairは,構造化エスカレーションによるTerraform修復のためのツール接地型LLMエージェントのプロトタイプである。
TerraRepairはTerraform参照から依存関係コンテキストを取得し、インストールされたプロバイダスキーマを参照し、候補の修復を返す前にスキャナを再実行する。
そして、必要なコンテキストが欠落し、TerraRepairはプラウシブルなフィックスを作る代わりにエスカレートする。
結果:AWS、Azure、GCPの2つのIaCセキュリティスキャナであるCheckovとTrivyを使用して、脆弱な設計のTerraformレポジトリでツールを評価しました。
組み合わせたAWSベンチマークで、TerraRepairは、コントロールされたワンショットベースラインと比較して、Checkovで26.6%から78.4%に、Trivyで44.8%から72.4%に改善されている。
修復は多数決のプロトコルで正しいとラベル付けされる。
結論: これらの新たな結果は,スキャナを検証したLDMベースのIaC修復を調査対象のベンチマークで大幅に改善できることを示し,デプロイメント固有のコンテキストが欠如していることが,完全な自律性に関する主要な知識境界として残っている。
関連論文リスト
- Forgotten in Weights, Recovered by Tools: Agentic Tool Unlearning for LLM Agents [54.050506620820784]
エージェントツールアンラーニング(ATU)は、通常のツール使用を保持しながら、パラメトリックリコールとツールによるリカバリの両方を削減することを目的としている。
ATUは、ツール強化されたエージェントデプロイメント下で、ターゲットの忘れと保持ユーティリティのバランスを向上し、未学習をより堅牢にする。
論文 参考訳（メタデータ） (2026-08-21T18:34:48Z) - PhoenixRepair: Rethinking Repair Strategy Exploration in Software Agents [62.36339598951133]
PhoenixRepairは、複数の候補編集場所を探索し、より良いパッチを生成するマルチエージェントフレームワークである。
PhoenixRepairはDeepSeek-V3.1の下でSWE-agentよりも7.8%の最大の相対的改善を実現し、MiniMax-M2.5で76.0%のPass@1の最高分解率を達成した。
論文 参考訳（メタデータ） (2026-07-21T08:49:30Z) - Repair the Amplifier, Not the Symptom: Stable World-Model Correction for Agent Rollouts [2.571318992830046]
本研究では,修復がその後のロールアウトを安定化させる計画図のコンパクトな部分グラフを選択することで,ワールドモデル補正について検討する。
ノードエッジ増幅を推定するスペクトル部分グラフ補正法であるWM-SARを提案する。
WM-SARは,トークン予算のコンパクト化により,より強い長期安定化と根源回復を実現する。
論文 参考訳（メタデータ） (2026-07-02T06:31:45Z) - ReGRPO: Reflection-Augmented Policy Optimization for Tool-Using Agents [52.531681772560724]
Supervised Fine-tuning (SFT) は主に軌道軌道上で構築されており、ツール故障後の回復のための信号はほとんど得られない。
ツール使用エージェントの反射誘導補正を学習するフレームワークであるReGRPOを紹介する。
GTAとGAIAの実験では、同じバックボーンとツールスイートの下で、ReGRPOは一貫して強力なオープンソースベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-30T09:19:38Z) - Where Do Deep-Research Agents Go Wrong? Span-Level Error Localization in Agent Trajectories [51.22051230894794]
最終回答に基づく評価は、エージェントが成功するかどうかを示すが、どの部分の軌道が答えを信頼できないかを示すものではない。
2つのエージェントフレームワーク、3つのバックボーンモデル、3つのベンチマークから2,790の実際のトラジェクトリを収集し、生ログをセマンティックスパンに変換し、エキスパートレビューを通じて有害なエラースパンを注釈付けします。
我々は,エージェントの主張を追跡するクレーム中心の監査フレームワークであるDRIFTを提案する。
論文 参考訳（メタデータ） (2026-06-01T10:50:26Z) - EvidenT: An Evidence-Preserving Framework for Iterative System-Level Package Repair [26.445772656438752]
ツール実行からエビデント管理を分離するエビデント修復フレームワークであるエビデントを提案する。
実世界のRISC-Vパッケージビルド障害219件についてEvidenTの評価を行った。
予備実験はaarch64で41.77%、x86_64で46.99%の成功率を達成した。
論文 参考訳（メタデータ） (2026-05-09T02:29:57Z) - Detect--Repair--Verify for LLM-Generated Code: A Multi-Language, Multi-Granularity Empirical Study [10.18490328199727]
大規模な言語モデルは実行可能なソフトウェアアーチファクトを生成することができるが、そのセキュリティはエンドツーエンドの評価が難しいままである。
本研究では、脆弱性を検出し、修復し、セキュリティおよび機能テストで再チェックするDRVワークフローを通じて、その問題を調査する。
現在の証拠の4つのギャップに対処する: LLMの生成したアーティファクトの試験的なベンチマークの欠如、パイプラインレベルの有効性に関する限られた証拠、修正ガイダンスとしての検出レポートの不確実な信頼性、検証中の不確実な修復信頼性。
論文 参考訳（メタデータ） (2026-03-24T18:18:30Z) - RepoRepair: Leveraging Code Documentation for Repository-Level Automated Program Repair [30.23781155493087]
RepoRepairは,レポジトリレベルの障害ローカライゼーションとプログラム修復のための新しいドキュメンテーションによるアプローチである。
私たちの中核的な洞察は、LLMを活用して、コードリポジトリの階層的なコードドキュメンテーション(関数からファイルまで)を生成することです。
RepoRepairはまず、テキストベースのLLMを使用して、リポジトリのファイル/関数レベルのコードドキュメントを生成する。
論文 参考訳（メタデータ） (2026-03-01T11:06:24Z) - Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。
単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。
現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。
AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
論文 参考訳（メタデータ） (2025-09-29T18:20:27Z) - Repairing vulnerabilities without invisible hands. A differentiated replication study on LLMs [5.10123605644148]
自動脆弱性修復(AVR: Automated Vulnerability repair)は、プログラム修復の急激な分岐である。
近年の研究では、大きな言語モデル(LLM)が従来の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2025-07-28T16:39:16Z) - Can Large Vision-Language Models Correct Semantic Grounding Errors By Themselves? [61.899791071654654]
本稿では,視覚言語モデル(VLM)が,フィードバックの「受信」によって意味的接地を改善することができるかどうかを検討する。
適切に刺激すれば、VLMは1ステップと反復の両方でフィードバックを活用できる。
検討したすべての設定において、すべてのモデルにまたがる自動フィードバックを用いて、基底精度を一貫して改善することを示す。
論文 参考訳（メタデータ） (2024-04-09T17:59:04Z)
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。