論文の概要: TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization
- arxiv url: http://arxiv.org/abs/2607.18161v1
- Date: Mon, 20 Jul 2026 17:06:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.715354
- Title: TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization
- Title（参考訳）: TRIM:エージェント軌道最小化によるAI生成のCodeSlopの削減
- Abstract要約: コーディングエージェントは、多くの下流タスクでコード生成を加速するためにますます使われています。
その価値にもかかわらず、エージェント生成コードは、対応する人間による実装よりも大きく、冗長である傾向がある。
原因はエージェント自身の検索プロセスにあることを示す。
- 参考スコア（独自算出の注目度）: 57.14479960309637
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coding agents are increasingly used to accelerate code generation in many downstream tasks, such as fixing bugs, building applications, and prototyping. However, despite their value as coding assistants, agent-generated code tends to be larger and more verbose than the corresponding human-written implementation. In this work, we show that the cause lies in the agent's own search process: while iterating toward a passing solution, an agent accumulates speculative edits, abandoned hypotheses, and temporary changes that persist into the final patch. This may seem harmless for a single patch, but the problem compounds as agents take responsibility for ever-larger portions of a codebase-a codebase that was once minimal and well-maintained slowly accumulates redundancy faster than it can be cleaned up, drifting to a state that is harder to maintain. Given the magnitude of this problem, we take a step towards alleviating this issue. First, we formally define this phenomenon as CodeSlop-the residual and functionally unnecessary edits commonly seen in AI-generated code. We then introduce our algorithm TRIM (Trajectory-guided Redundancy Identification and Minimization). Rather than minimizing CodeSlop directly, TRIM instead minimizes agent trajectories. As we show empirically, this indirect technique of minimizing CodeSlop is highly effective: TRIM cuts CodeSlop by 17.9%-32.9% across agentic scaffolds, with negligible performance regression. TRIM is also highly efficient, requiring roughly half the validation cost of algorithmic baselines such as Delta Debugging.
- Abstract（参考訳）: コーディングエージェントは、バグの修正、アプリケーションの構築、プロトタイピングなど、多くの下流タスクでコード生成を加速するためにますます使われています。
しかしながら、コーディングアシスタントとしての価値にもかかわらず、エージェント生成コードは、対応する人間による実装よりも大きく、冗長である傾向にある。
本研究は,エージェントが通過する解に向かって反復しながら,投機的編集を蓄積し,仮説を放棄し,最終パッチに持続する一時的な変更を行うという,エージェント自身の探索プロセスに原因があることを示す。
これは単一のパッチに対して無害に思えるかも知れませんが、エージェントとしての問題は、かつて最小限でメンテナンスが整ったコードベースのずっと大きな部分に対して責任を負うことにあります。
この問題の大きさを考えると、この問題を軽減するための一歩を踏み出します。
まず、この現象を、AI生成コードでよく見られる残留かつ機能的に不要な編集であるCodeSlopとして正式に定義する。
次に,提案アルゴリズムであるTRIM(Trajectory-guided Redundancy Identification and Minimization)を紹介する。
CodeSlopを直接最小化する代わりに、TRIMはエージェントのトラジェクトリを最小化する。
TRIMがCodeSlopを17.9%から32.9%削減し、性能の低下を無視できる。
TRIMは効率も高く、Delta Debuggingのようなアルゴリズムベースラインの検証コストの約半分を必要とする。
関連論文リスト
- Coaching Qwen3 Coder 30B to Think Like a CodeClash Arena Agent [0.0]
Qwen3-Coder-30Bはアリーナスタイルのインタラクションには適していないことを示す。
本稿では、教師の軌跡を明示的な[物]鎖に書き換えるReAct SFTと、学習後のチェックを促進するためにサンプルを重み付けするトラジェクトリ品質重み付きSFTを提案する。
論文 参考訳（メタデータ） (2026-09-14T14:50:05Z) - Is Agent Code Less Maintainable Than Human Code? [17.226150835020146]
保守環境において,エージェントコードがヒューマンコードとどのように比較されるかを検討する。
エージェントは人的コードに比べてエージェントコード構築時のタスクの解決に効果が低いことがわかった。
論文 参考訳（メタデータ） (2026-06-19T23:56:14Z) - Does Code Cleanliness Affect Coding Agents? A Controlled Minimal-Pair Study [0.18907108368038217]
コードのクリーン化がエージェントのナビゲートと修正の能力に影響を与えることを示す。
我々の知見は、従来の保守性原則がAI駆動開発の時代において極めて重要であり続けていることを示唆している。
論文 参考訳（メタデータ） (2026-05-19T16:06:26Z) - From I/O to Code with Discovery Agent [103.88427301265669]
IO2Codeの発見エージェントであるDIO-Agentを提案する。
本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。
大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
論文 参考訳（メタデータ） (2026-05-14T18:57:32Z) - Coding Agents Don't Know When to Act [3.2610504259514754]
コーディングエージェントは、ソフトウェアを自律的にメンテナンスするためにますますデプロイされる。
現実のデプロイメントでは、すでに解決済みの問題に関するバグレポートに遭遇します。
最先端のモデルでさえ失敗し、35ドルから65%のケースで望ましくない変更を提案する。
論文 参考訳（メタデータ） (2026-05-08T14:10:00Z) - Why Agentic-PRs Get Rejected: A Comparative Study of Coding Agents [0.0]
本稿では,コーディングエージェント(Agentic-PRs)を用いたプルリクエストが,エージェントとしてラベル付けされていないPR(Human-PRs)よりも少ない頻度で受け入れられていることを示す。
拒否されたPRの多くは明確なフィードバックを欠いているため、拒否理由を決定するのが困難である。
論文 参考訳（メタデータ） (2026-02-04T05:24:18Z) - ET-Agent: Incentivizing Effective Tool-Integrated Reasoning Agent via Behavior Calibration [68.89572566071575]
ETAgentはエージェントのツール使用行動を調整するためのトレーニングフレームワークである。
過誤行動パターンを最適行動に段階的に校正するように設計されている。
論文 参考訳（メタデータ） (2026-01-11T11:05:26Z) - Diffusion Language Models Know the Answer Before Decoding [56.96815863705218]
拡散言語モデル (DLM) は自己回帰的アプローチの代替として登場した。
我々の研究は、DLMの早期回答収束の見過ごされた特性を強調し、活用する。
Prophetは、早期コミット復号を可能にするトレーニングフリーの高速復号化パラダイムである。
論文 参考訳（メタデータ） (2025-08-27T15:40:25Z) - Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。
LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
論文 参考訳（メタデータ） (2025-05-23T08:23:36Z) - Towards Adaptive Software Agents for Debugging [0.40964539027092917]
本稿では,エージェントの数とその役割を動的に決定する適応型エージェント設計を提案する。
最初の評価では、適応設計では、生成されるエージェントの数はバグのあるコードの複雑さに依存することが示されている。
治療効果は, ワンショットプロンプトよりも平均11%改善した。
論文 参考訳（メタデータ） (2025-04-25T12:48:08Z) - Let the Code LLM Edit Itself When You Edit the Code [50.46536185784169]
underlinetextbfPositional textbfIntegrity textbfEncoding (PIE)
PIEは、標準的な完全再計算手法に比べて計算オーバーヘッドを85%以上削減する。
その結果、PIEは計算オーバーヘッドを標準の完全再計算手法に比べて85%以上削減することを示した。
論文 参考訳（メタデータ） (2024-07-03T14:34:03Z)
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。