論文の概要: OwlPath: Lossless Knowledge Compression for LLM Bug Repair
- arxiv url: http://arxiv.org/abs/2607.27249v1
- Date: Tue, 28 Jul 2026 08:42:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-31 21:37:00.267423
- Title: OwlPath: Lossless Knowledge Compression for LLM Bug Repair
- Title（参考訳）: OwlPath: LLMバグ修復のための無意味な知識圧縮
- Abstract要約: LLMベースのソフトウェアエンジニアリングエージェントは、限られたコンテキストウィンドウによって制約される。
OwlPathは、CodeGraph上のOWL2推論層である。
ツリーシッター解析により、言語固有のセマンティクスを統一されたOWL2オントロジーにエンコードする。
- 参考スコア（独自算出の注目度）: 7.619030658625346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: LLM-based software engineering agents are constrained by limited context windows: roughly 100K tokens must store structurally relevant code subsets to resolve bugs. Standard retrieval models treat code as plain text, forcing agents to resolve multi-hop dependencies including subclass chains, transitive callers and interface implementations through slow trial and error. We tackle this limitation with lossless knowledge compression, encoding source code into an OWL2 ontology to answer structural queries using minimal relevant code fragments. We present OwlPath, an OWL2 reasoning layer atop CodeGraph, a widely used code intelligence platform with 500K+ GitHub stars, offering a unified CLI for structural code retrieval. Powered by tree-sitter parsing, OwlPath supports multi-language repositories (Python, JavaScript, TypeScript, Go, etc.) and encodes language-specific semantics into a unified OWL2 ontology. It adopts two complementary modules. First, a transitive-closure engine fetches all structurally linked symbols via single SPARQL property-path queries, capturing multi-hop relations missed by string matching. Second, the OWL Software Knowledge Map (OWL-SKM) precomputes a compact 3KB summary with module trees, core APIs and issue-related symbols, directing agents to target modules in the first query. Evaluated on 18 SWE-bench Pro instances, OwlPath obtains a 68.4% strict-apply rate versus 66.7% for the CodeGraph baseline, cutting token usage by 28.8% and runtime by 39.5%. In offline retrieval tests over 67 instances, OwlPath improves recall 2.06 times (0.464 vs 0.226) and reaches 88.1% hit rate compared to CodeGraph's 59.7%. On a 37-question structural retrieval benchmark, recall rises from 4.4% to 28.8%, with 69-80% accuracy on transitive caller and interface tasks.
- Abstract（参考訳）: 約100Kトークンは、バグを解決するために構造的に関連するコードサブセットを格納する必要があります。
標準的な検索モデルは、コードをプレーンテキストとして扱い、エージェントは、遅い試行錯誤によってサブクラスチェーン、推移呼び出し、インターフェース実装を含むマルチホップ依存関係を解決せざるを得ない。
ソースコードをOWL2オントロジーにエンコードすることで、最小限の関連コードフラグメントを使用して構造クエリに応答する。
私たちは、500K以上のGitHubスターを持つ広く使われているコードインテリジェンスプラットフォームであるCodeGraphの上にあるOWL2推論層であるOwlPathを紹介します。
OwlPathはツリーシッター解析をベースとして、マルチ言語リポジトリ(Python、JavaScript、TypeScript、Goなど)をサポートし、言語固有のセマンティクスを統一されたOWL2オントロジーにエンコードする。
補足モジュールは2つある。
まず、トランジティブクロージャエンジンは、単一のSPARQLプロパティパスクエリを介して、構造的にリンクされたシンボルをすべてフェッチし、文字列マッチングによって欠落したマルチホップ関係をキャプチャする。
第2に、OWL Software Knowledge Map (OWL-SKM)はモジュールツリー、コアAPI、イシュー関連シンボルを含むコンパクトな3KBサマリをプリコンパイルし、最初のクエリでターゲットモジュールにエージェントを指示する。
18のSWE-bench Proインスタンスで評価され、OwlPathは68.4%の厳格な適用率でCodeGraphベースラインが66.7%、トークン使用率が28.8%、ランタイムが39.5%である。
67インスタンスのオフライン検索テストでは、OwlPathはリコール2.06回(0.464 vs 0.226)を改善し、CodeGraphの59.7%と比較して88.1%のヒット率に達した。
37クエスト構造検索のベンチマークでは、リコールは4.4%から28.8%に上昇し、推移的な呼び出しとインタフェースタスクの精度は69-80%である。
関連論文リスト
- Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - OoO-Spec: Out-of-Order Semantic Speculation for Fast Tool Calling [10.19615019581895]
LLMは、関数の選択と引数の値は、要求とツールスキーマと並行して予測できるにもかかわらず、トークン単位でツールコールを生成する。
我々は、これらの欠落したセマンティクスを順番に計算するOoO-Specを提案する。
論文 参考訳（メタデータ） (2026-08-01T18:41:11Z) - Context-as-AI-Service: Surfacing Cross-File Dependency Chains for LLM-Generated Developer Documentation [1.5749416770494706]
我々は、LCMエージェントがドキュメントのレビューや生成時に証拠を見つけるためにクエリする検索層であるContext-as-AI-Service(CAIS)を提示する。
CAISはソースコード、API参照、アップストリームドキュメンテーションをインデックスし、エージェントはキーワードとセマンティック検索を組み合わせたツールコールを通じてインデックスをクエリできる。
CAISは2つのタスクで壁時計時間を22%減らして34%減らし、入力トーケンの使用を減らした。
論文 参考訳（メタデータ） (2026-06-03T03:26:56Z) - SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。
各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。
ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
論文 参考訳（メタデータ） (2026-06-02T02:45:21Z) - Skill-as-Pseudocode: Refactoring Skill Libraries to Pseudocode for LLM Agents [50.78646963535282]
Skill-as-Pseudocode (SaP) はマークダウンスキルライブラリの型付き擬似コードへの自動変換である。
1つ以上のスキルから引き出された類似の手続きパスのクラスタごとに、SaPは型付きコントラクトを抽出し、それを4チェック決定性検証器を通じてフィルタリングする。
プロモートされた契約は、復元された具体的なアクションテンプレートと共に書き直されたスキルスケルトンにインライン化され、エージェントは2つの補完的な信号を与える。
論文 参考訳（メタデータ） (2026-05-27T04:48:40Z) - Delta-Based Neural Architecture Search: LLM Fine-Tuning via Code Diffs [48.83701310501069]
大規模言語モデル(LLM)は、ニューラルアーキテクチャ生成の強力な可能性を示している。
既存のアプローチは、ゼロから完全なモデル実装を生成します。
我々はデルタ符号生成法を提案し、細調整されたLLMはコンパクトな統一差分を生成する。
論文 参考訳（メタデータ） (2026-05-06T13:32:05Z) - Codebase-Memory: Tree-Sitter-Based Knowledge Graphs for LLM Code Exploration via MCP [0.0]
我々は、モデルコンテキストプロトコル(MCP)を介して、永続的なツリーベースの知識グラフを構築するオープンソースシステムであるCodebase-Memoryを提示する。
Codebase-Memoryはファイル探索エージェントの応答品質が83%、92%、トークンが10倍、ツールコールが2.1倍である。
ハブ検出や呼び出し者ランキングなどのグラフネイティブクエリでは、31言語中19言語でエクスプローラーと一致するか、超えている。
論文 参考訳（メタデータ） (2026-03-28T14:18:12Z) - Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。
本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T16:00:22Z) - LAPIS: Lightweight API Specification for Intelligent Systems [0.0]
大規模言語モデル(LLM)は、コード生成、自律エージェントインタラクション、APIアシスト推論のいずれにおいても、API仕様のコンシューマとしての役割を担っている。
LAPISは、APIトークンの使用に必要なセマンティック情報を保存するLLM消費に最適化されたドメイン固有フォーマットである。
論文 参考訳（メタデータ） (2026-02-20T15:22:13Z) - Repository-Aware File Path Retrieval via Fine-Tuned LLMs [0.11726720776908518]
大規模言語モデル(LLM)は自然言語を理解できるが、リポジトリの詳細は明らかにされていない。
本稿では,QLoRAとUnslothを最適化した強力なLLMを微調整するファイルパス検索手法を提案する。
Flask、Click、Jinja、FastAPI、PyTorchなどのPythonプロジェクトを微調整し、高い検索精度を得る。
論文 参考訳（メタデータ） (2025-10-09T22:49:10Z) - Text-to-SPARQL Goes Beyond English: Multilingual Question Answering Over Knowledge Graphs through Human-Inspired Reasoning [51.203811759364925]
mKGQAgentは、自然言語の質問をSPARQLクエリに変換し、モジュール化された解釈可能なサブタスクに変換するタスクを分解する。
2025年のText2SPARQLチャレンジにおいて、DBpediaとCorporateベースのKGQAベンチマークに基づいて評価され、私たちのアプローチは、他の参加者の中で第一に行われました。
論文 参考訳（メタデータ） (2025-07-22T19:23:03Z) - Binding Language Models in Symbolic Languages [146.3027328556881]
Binderはトレーニング不要のニューラルシンボリックフレームワークで、タスク入力をプログラムにマッピングする。
解析の段階では、Codexは元のプログラミング言語では答えられないタスク入力の一部を特定することができる。
実行段階では、CodexはAPI呼び出しで適切なプロンプトを与えられた万能機能を実行することができる。
論文 参考訳（メタデータ） (2022-10-06T12:55:17Z)
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。