論文の概要: Vibe Coding: An Experiment with Test-Driven Development

• arxiv url: http://arxiv.org/abs/2607.22406v1
• Date: Fri, 24 Jul 2026 15:24:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.168241
• Title: Vibe Coding: An Experiment with Test-Driven Development
• Title（参考訳）: Vibe Coding: テスト駆動開発の実験
• Authors: Moritz Mock, Barbara Russo,
• Abstract要約: 対話型大規模言語モデル(CLLM)は、自然言語を通じてユーザと協調してコードを生成する。 粗悪なコラボレーションは品質の悪いアウトプットにつながる可能性がある。 本研究の目的は,人間とCLLMがバイブ符号化によってどのように協力し合うかを検討することである。
• 参考スコア（独自算出の注目度）: 0.4804905638984918
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Context: Conversational Large Language Models (CLLMs) can automatically generate code by collaborating with users through natural language. However, poor collaboration can lead to poor quality output. Objective: This exploratory study aims to investigate how humans and CLLMs can collaborate as peers through vibe coding, an approach that integrates principles from prompt engineering, agile design, and human-AI co-creation to enhance collaboration. Method: We designed four interaction models representing different collaboration patterns in the software development process: the solo model (human-only development), the collaborative model (human-CLLM collaboration), the fully automated model (development autonomously performed by a CLLM), and the agentic model (development autonomously performed by the MetaGPT~X platform). Based on these models, we implemented corresponding Test-Driven Development (TDD) workflows using structured prompts and Python scripts. We then conducted a controlled pre-experimental study with TDD professionals to compare the solo and collaborative workflows. In addition, we performed repeated exploratory executions of fully automated and agentic workflows on the same development tasks to obtain complementary evidence. Results: Our findings suggest that the choice of interaction model should depend on the development objective. Agentic workflows are best suited for rapid development and functionally correct production code but may introduce additional implementation complexity. However, they may also introduce additional implementation decisions that are not explicitly required by the functional specifications, resulting in untested decision points. In contrast, collaborative workflows produce higher-quality, better-organized test suites. Conclusions: Our work explored how...
• Abstract（参考訳）: コンテキスト:会話型大規模言語モデル(CLLM)は、自然言語を通じてユーザと協調してコードを生成する。 しかしながら、コラボレーションの粗悪さは品質の悪いアウトプットにつながる可能性がある。 目的: この探索的研究は、人間とCLLMが、迅速なエンジニアリング、アジャイルデザイン、人間とAIの共同創造から、コラボレーションを強化するための原則を統合するアプローチであるバイブコーディングを通じて、仲間としてどのように協力できるかを調査することを目的としている。 方法:我々は,ソフトウェア開発プロセスにおけるさまざまなコラボレーションパターンを表す4つのインタラクションモデルを設計した: ソロモデル(人間のみの開発),コラボレーティブモデル(人間とCLLMのコラボレーション),完全自動化モデル(CLLMによる自律的な開発),エージェントモデル(メタGPT~Xプラットフォームによる自律的な開発)。 これらのモデルに基づいて、構造化プロンプトとPythonスクリプトを使用して、対応するテスト駆動開発(TDD)ワークフローを実装しました。 その後、TDD専門家とコントロールされた事前実験を行い、単独のワークフローと協調的なワークフローを比較しました。 また,同じ開発タスク上で,完全自動化およびエージェントワークフローの探索的実行を繰り返し実施し,補完的証拠を得た。 結果: インタラクションモデルの選択は開発目標に依存することが示唆された。 エージェントワークフローは、迅速な開発と機能的にはプロダクションコードの修正に適しているが、追加の実装の複雑さを導入する可能性がある。 しかし、機能仕様に明示的に要求されない追加の実装決定を導入することもでき、結果として未テストの意思決定ポイントが生まれる。 対照的に、コラボレーティブワークフローは、高品質でより良い組織化されたテストスイートを生み出します。 結論: 私たちの研究はどのように...。

関連論文リスト

• Humans' ALMANAC: A Human Collaboration Dataset of Action-Level Mental Model Annotations for Agent Collaboration [54.18136393879849]
  本稿ではエージェント協調のための行動レベル精神モデルAnnotationsのデータセットであるALMANACについて述べる。 ALMANACには2,987の協調アクションがあり、それぞれに理論インフォームドのメンタルモデルアノテーションが組み合わされている。 本研究は、ALMANACが人間の協調動作をシミュレートするモデルの能力を評価する上で有用であることを示す。
  論文  参考訳（メタデータ） (2026-06-04T16:56:12Z)
• Pragmos: A Process Agentic Modeling System [0.0]
  大規模言語モデル(LLM)は、テキスト記述から直接プロセスモデルを引き出すツールとして研究されている。 我々は、モデリングをオープンな会話活動として想定し、人間とLLMの両方を含むインタラクティブで反復的なプロセスによって最も支持される。 本稿では,このビジョンを運用するプロトタイプシステムであるPragmosを紹介する。
  論文  参考訳（メタデータ） (2026-04-30T01:49:19Z)
• EmCoop: A Framework and Benchmark for Embodied Cooperation Among LLM Agents [18.802912315746564]
  EmCoopは、組み込みマルチエージェントシステムの協調を研究するためのベンチマークフレームワークである。 我々のフレームワークは、高レベルの認知層と低レベルのエンボディドインタラクション層を分離する。 コラボレーションの品質と障害モードを診断する,一般化可能なプロセスレベルのメトリクスを提案する。
  論文  参考訳（メタデータ） (2026-02-27T22:28:33Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
  この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。 ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。 ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
  論文  参考訳（メタデータ） (2024-09-02T17:44:10Z)
• Multi-Agent Collaboration via Cross-Team Orchestration [31.506350304184526]
  大規模言語モデル(LLM)は、特に組織化された自律エージェントを通じて、様々なドメインに大きな影響を与えている。 これはスケーラブルなマルチチームフレームワークで、オーケストレーションされたチームはさまざまなタスク指向のソリューションを共同で提案できる。 実験では、最先端のベースラインと比較して、ソフトウェアの品質が顕著に向上している。
  論文  参考訳（メタデータ） (2024-06-13T10:18:36Z)
• Large Language Model-based Human-Agent Collaboration for Complex Task Solving [94.3914058341565]
  複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。 Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。 このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
  論文  参考訳（メタデータ） (2024-02-20T11:03:36Z)
• Self-collaboration Code Generation via ChatGPT [35.88318116340547]
  大規模言語モデル(LLM)はコード生成能力に優れていますが、複雑なタスクに苦労しています。 本稿では,ChatGPT で実証した LLM を用いたコード生成のための自己協調フレームワークを提案する。 この仮想チームを効果的に組織化し、管理するために、ソフトウェア開発方法論をフレームワークに組み入れます。
  論文  参考訳（メタデータ） (2023-04-15T16:33:32Z)

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。