論文の概要: Building a Process-Modeling Tool using Agentic AI: An Experience Report on PM4Py-UCM

• arxiv url: http://arxiv.org/abs/2607.28825v1
• Date: Thu, 30 Jul 2026 20:27:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.478466
• Title: Building a Process-Modeling Tool using Agentic AI: An Experience Report on PM4Py-UCM
• Title（参考訳）: Agentic AIを用いたプロセスモデリングツールの構築:PM4Py-UCMの経験報告
• Abstract要約: 本稿では,イベントログからユースケースマップ(UCM)モデルをマイニングするオープンソースツールPM4Py-UCMの構築について報告する。 我々は18件のエージェントセッション(374件のヒューマンターンと10,328件のツールアクション65時間)、151件のコミット、20件のリリース、そして108件から691件のテスト機能からなるテストスイートを特徴付ける。 バージョン0.7.4まで、修正は2.3:1よりも数が多い。
• 参考スコア（独自算出の注目度）: 1.3660182208844809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Enterprise-modeling (EM) tools are often complex and hard to extend. Yet, users may want to explore new EM features and capabilities that currently do not exist. AI coding agents can help here by enabling the development of new capabilities and entire tools, but whether we can trust a modeling-language tool an LLM largely wrote remains a question. This paper reports on the AI-assisted construction of PM4Py-UCM, an open-source tool that mines Use Case Map (UCM) models from event logs. PM4Py-UCM's capabilities include some expected from process mining tools (e.g., performance heat-maps and dashboards) and distinctive ones (e.g., mined executable scenarios/variants, and model decomposition). We mined the development record itself, composed of 18 agent sessions (374 human turns and 10,328 tool actions over 65 hours), 151 commits, 20 releases, and a test suite grown from 108 to 691 test functions, in order to characterize, in a single in-depth case, how the tool was built with an agent (Claude Code), complemented by an independent static assessment of the resulting code (coverage, complexity, maintainability, security, architecture). We contribute a reproducible, privacy-preserving toolkit and taxonomy that classify human turns and flag cross-cutting consistency work, agent corrections, and retracted requests. Up to version 0.7.4, fixes outnumber features 2.3:1, with ~18% of turns for correcting agent errors. Feature waves dragged a measurable tail of documentation/test/notebook consistency work, and tests grew lockstep with features. We finally present lessons learned, centered on making model transformations mechanically checkable, and the oracle-based validation strategy that closed the "the agent said it works" gap, for responsibly engineering EM tooling with AI.
• Abstract（参考訳）: エンタープライズモデリング(EM)ツールは、しばしば複雑で拡張が難しい。 しかし、ユーザは現在存在しない新しいEM機能や機能を探求したいかもしれない。 AIコーディングエージェントは、新しい機能とツール全体の開発を可能にすることで、ここでは役に立ちます。 本稿では,イベントログからユースケースマップ(UCM)モデルをマイニングするオープンソースツールPM4Py-UCMの構築について報告する。 PM4Py-UCMの機能には、プロセスマイニングツール(例えば、パフォーマンスヒートマップとダッシュボード)とユニークなもの(例えば、マイニング可能なシナリオ/バリエーション、モデル分解)から期待されるものが含まれている。 私たちは18のエージェントセッション (374のヒューマンターンと10,328のツールアクション65時間)、151のコミット、20のリリース、テストスイートからなる開発記録をマイニングしました。 我々は、人間のターンを分類し、横断的整合性作業、エージェントの修正、削除要求をフラグする再現可能なプライバシー保護ツールキットと分類に貢献する。 バージョン0.7.4まで、修正は2.3:1よりも数が多い。 機能波はドキュメント/テスト/ノートブックの一貫性の計測可能な部分を引きずり出し、テストは機能とともにロックステップを拡大した。 私たちは最後に、モデルトランスフォーメーションを機械的にチェック可能にすることを中心に学んだ教訓と、"エージェントが機能すると言った"ギャップを閉じたオラクルベースのバリデーション戦略を、AIによる責任あるEMツールのエンジニアリングのために提示しました。

関連論文リスト

• Joint Optimization of Tool Creation and Use for Large Language Model Agents [69.07066297088187]
  SMITH (-grounded Multi-task Iterative Tool Honing) は、単一のポリシー内でツールの作成とツールの使用を訓練する。 SMITHで訓練された4B Qwen3は、正確に検証された13の手続き的推論タスクで、保持されたタスクで平均79.8のマクロ平均精度に達する。 また、TabMWP-Hardでは40.4、ドメイン外のGQAでは42.6に到達している。
  論文  参考訳（メタデータ） (2026-08-25T13:59:34Z)
• The Devil Is in the Interface: Evaluating How Tool Architecture Shapes Coding Agent Behavior [27.33402415317721]
  我々は,リポジトリレベルの問題修正に関する制御実験を通じて,コーディングエージェントのツールアーキテクチャについて検討する。 私たちの実験では、ツールが同じような機能を提供する場合でも、ツールアーキテクチャがエージェントの振る舞いを変えることが示されています。
  論文  参考訳（メタデータ） (2026-08-11T19:50:56Z)
• MADE: Belief-Driven Dual-Agent Coordination for Autonomous Model Deployment [19.126846876843356]
  LLMベースのエージェントはドメイン固有のタスクに苦労し、外部ツールの統合を動機付けている。 オープンソースコミュニティは、典型的に異質な研究成果物としてリリースされる多数のAIモデルを提供している。 これらをプリ・ツー・コールのAPIに変換するのは費用がかかり、労力がかかる。 本稿では,デュアルエージェント協調システムであるModel Automated Deployment Engine (MADE)を紹介する。
  論文  参考訳（メタデータ） (2026-08-02T12:14:43Z)
• When to Trust Tools? Adaptive Tool Trust Calibration For Tool-Integrated Math Reasoning [58.75883713573783]
  Tool-Integrated Reasoningは、推論軌道にツール呼び出しと実行を組み込む有望なパラダイムとして登場した。 モデルの推論がツールの結果と矛盾する場合、モデルは自身の推論を信じる傾向にあります。 アダプティブ・ツール・トラスト(ATTC、Adaptive Tool Trust)は、モデルに対して、ツール結果の信頼性や無視を適応的に選択するフレームワークである。
  論文  参考訳（メタデータ） (2026-04-09T14:14:37Z)
• OSWorld-MCP: Benchmarking MCP Tool Invocation In Computer-Use Agents [49.34040731113563]
  我々は,コンピュータ利用エージェントのツール実行,GUI操作,意思決定能力を評価するための,最初の総合的かつ公正なベンチマークであるOSWorld-MCPを提案する。 厳密な手作業による検証は158の高品質なツールをもたらし、それぞれが正しい機能、実用性、汎用性を検証します。 OSWorld-MCPはマルチモーダルエージェントの理解を深め、複雑なツール支援環境でのパフォーマンスを評価するための新しい標準を設定している。
  論文  参考訳（メタデータ） (2025-10-28T15:56:36Z)
• AlphaApollo: Orchestrating Foundation Models and Professional Tools into a Self-Evolving System for Deep Agentic Reasoning [110.57865233597762]
  自己進化型エージェント推論システムであるAlphaApolloについて述べる。 基礎モデル(FM)における2つのボトルネックに対処することを目的としている。 AlphaApolloは、意図的に検証可能な推論を可能にするために、複数のモデルをプロのツールで編成する。
  論文  参考訳（メタデータ） (2025-10-05T15:42:24Z)
• MCP-Zero: Active Tool Discovery for Autonomous LLM Agents [13.005899769943442]
  ツール発見の自律性を LLM 自体に復元する,アクティブエージェントフレームワークである MCP-Zero を紹介する。 すべての利用可能なツールで圧倒的なモデルを使用する代わりに、CP-Zeroはエージェントが能率ギャップを積極的に識別し、特定のツールをオンデマンドで要求することを可能にする。 公式の Model-Context-Protocol リポジトリから 308 の MCP サーバと 2,797 ツールの包括的なデータセットである MCP-tools を構築した。
  論文  参考訳（メタデータ） (2025-06-01T15:48:53Z)
• LLM Agents Making Agent Tools [2.5529148902034637]
  ツールの使用は、大規模言語モデル(LLM)を、複雑なマルチステップタスクを実行できる強力なエージェントに変えた。 しかし、これらのツールは人間の開発者によって事前に実装されなければならない。 論文をコードで自律的にLLM互換のツールに変換するエージェントフレームワークであるToolMakerを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:44:11Z)
• SMART: Self-Aware Agent for Tool Overuse Mitigation [58.748554080273585]
  現在のLarge Language Model (LLM) エージェントは、強力な推論とツールの使用能力を示すが、しばしば自己認識に欠ける。 この不均衡はツール・オーバーユースにつながり、モデルはパラメトリックな知識を持つタスクに対して、不要に外部ツールに依存する。 SMART(Strategic Model-Aware Reasoning with Tools)は、エージェントの自己認識を高め、タスクハンドリングを最適化し、ツールの過剰使用を減らすパラダイムである。
  論文  参考訳（メタデータ） (2025-02-17T04:50:37Z)
• Tool-Augmented Reward Modeling [58.381678612409]
  本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。 我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。 人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
  論文  参考訳（メタデータ） (2023-10-02T09:47:40Z)

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。