論文の概要: RefactorAssist: Agentic Refinement for Reliable Code Refactoring
- arxiv url: http://arxiv.org/abs/2608.00924v1
- Date: Sun, 02 Aug 2026 01:32:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.02513
- Title: RefactorAssist: Agentic Refinement for Reliable Code Refactoring
- Title（参考訳）: RefactorAssist: 信頼性の高いコードリファクタリングのためのエージェントリファインメント
- Abstract要約: 大規模言語モデル(LLM)は、ソフトウェア工学のタスクを自動化する可能性を実証している。
LLMは、しばしば微妙なエラーを導入し、機能的な振る舞いの変化やユニットテストの失敗につながる。
LLM生成物の機能的正しさを向上させるためにRefactorAssistエージェントを開発した。
- 参考スコア（独自算出の注目度）: 0.3657314044338856
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Code refactoring aims to enhance the internal structure of source code without affecting its functional behavior. The recent advancements of Large Language Models (LLMs) have demonstrated potential for automating software engineering tasks, such as code refactoring. However, the refactorings produced by LLMs often introduce subtle errors, leading to functional behavior changes and failed unit tests, which limit their practical adoption. To address the limitations of LLM-generated refactorings, we analyze the root causes of their failures and develop the RefactorAssist agent to improve the functional correctness of LLM-generated refactorings. To this end, we use 10 open-source Java projects with their native test suites and manually evaluate why LLM-generated refactorings fail unit tests. We then design an agentic approach that leverages unit-test logs, error explanations, project context retrieval, and code diffs to guide the iterative refactoring. Our findings show that the main reasons for failure are context misunderstanding/hallucination (24.3%), incorrect or inconsistent renaming (15.3%), adding new functionality or variables (13.7%), code incompleteness (11.3%), syntax and structural errors (9.7%), edge cases not handled (9%), improper type handling (8.7%), and variables outside scope (8%). To make our approach cost-effective, RefactorAssist first applies a static repair step for missing imports, unbalanced brackets, and compilation errors without LLMs. For remaining failures, RefactorAssist incorporates error logs and code diffs, achieving up to a 70.8% repair rate on the remaining failures and a 94.2% cumulative pass rate under the best-performing configuration. These results indicate that static checks and test-guided, context-aware agentic repair can increase the reliability of LLM-generated refactorings, bringing them closer to practical integration within developer workflows.
- Abstract（参考訳）: コードリファクタリングは、その機能的振る舞いに影響を与えることなく、ソースコードの内部構造を強化することを目的としている。
最近のLLM(Large Language Models)の進歩は、コードリファクタリングのようなソフトウェアエンジニアリングタスクを自動化する可能性を示している。
しかし、LLMが生成したリファクタリングは微妙なエラーを伴い、機能的な振る舞いの変化やユニットテストの失敗を招き、実践的な採用が制限される。
LLM生成リファクタリングの限界に対処するため、その失敗の原因を分析し、LLM生成リファクタリングの機能的正しさを改善するためにRefactorAssistエージェントを開発する。
この目的のために、ネイティブテストスイートで10のオープンソースプロジェクトを使用し、LLM生成リファクタリングがユニットテストに失敗する理由を手作業で評価しています。
次に、単体テストログ、エラー説明、プロジェクトコンテキストの検索、コード差分を利用して反復リファクタリングをガイドするエージェントアプローチを設計する。
失敗の主な原因は、コンテキスト誤解/ハロシン化(24.3%)、不正または一貫性のないリネーム(15.3%)、新しい機能や変数の追加(13.7%)、コード不完全性(11.3%)、構文と構造的エラー(9.7%)、エッジケース未処理(9.9%)、不適切な型ハンドリング(8.7%)、スコープ外変数(8.8%)である。
当社のアプローチを費用対効果にするために、RefactorAssistはまず、LLMを使わずに、インポートの欠如、ブラケットのアンバランス、コンパイルエラーに対して静的な修復手順を適用します。
残りの障害に対して、RefactorAssistはエラーログとコード差分を組み込んでおり、残りの障害に対する70.8%の修復率と94.2%の累積パスレートを最高の構成で達成している。
これらの結果は、静的チェックとテストガイド付き、コンテキスト対応のエージェント修復により、LLM生成リファクタリングの信頼性が向上し、開発者ワークフローにおける実践的な統合に近づいたことを示している。
関連論文リスト
- LLM-as-a-Verifier: A General-Purpose Verification Framework [74.40111651545979]
本稿では,汎用検証フレームワーク LLM-as-a-Verifier を紹介する。
追加のトレーニングを必要とせずに、エージェントタスクに対してきめ細かいフィードバックを提供する。
いくつかのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-06T17:59:35Z) - "Refactoring Runaway": Understanding and Mitigating Tangled Refactorings in Coding Agents for Issue Resolution [12.987766332400213]
12個のLDMを持つ3つのエージェントフレームワークによって生成された3,691個の有効なパッチを分析した。
コーディングエージェントは人間の開発者よりもタングルの導入頻度が低いことが分かりました。
タングルドの必要性と安全性を評価し,問題のある操作を選択的に除去する改良手法を提案する。
論文 参考訳（メタデータ） (2026-05-21T14:18:29Z) - Constraint-Guided Multi-Agent Decompilation for Executable Binary Recovery [47.704311990064554]
脱コンパイルは、セキュリティ分析、マルウェアのリバースエンジニアリング、レガシーソフトウェアメンテナンスに不可欠である。
マルチレベル制約誘導型デコンパイル(MCGD)により,デコンパイルされたコードを再実行可能なソースに変換するマルチエージェントフレームワークを提案する。
本フレームワークは,84～97%の再実行性を実現し,28～89ポイントのベースラインデコンパイラ出力を改善した。
論文 参考訳（メタデータ） (2026-04-27T01:28:11Z) - SWE-Refactor: A Repository-Level Benchmark for Real-World LLM-Based Code Refactoring [20.694251041823097]
大規模言語モデル(LLM)は、ソフトウェア工学のタスクに取り組むことに広く関心を集めている。
既存のベンチマークは一般的に3つの欠点に悩まされる。
SWE-Refactor は開発者によって書かれた 18 の Java プロジェクトから抽出された 1,099 の挙動保存 LLM で構成されている。
論文 参考訳（メタデータ） (2026-02-03T16:36:29Z) - From Human to Machine Refactoring: Assessing GPT-4's Impact on Python Class Quality and Readability [46.83143241367452]
リファクタリングは、プログラムの振る舞いを変えることなく、コード品質を改善することを目的としている。
LLM(Large Language Models)の最近の進歩は、コードの自動保存に新たな機会をもたらしている。
GPT-4o を用いて,クラスEval ベンチマークから 100 個の Python クラスに適用した LLM 型クラスに関する実証的研究を行った。
以上の結果から, GPT-4oは, 可読性の低下を犠牲にしながら, コードの臭いを低減し, 品質指標を改善する行動保存剤を一般的に生産していることが示唆された。
論文 参考訳（メタデータ） (2026-01-19T15:22:37Z) - RefAgent: A Multi-agent LLM-based Framework for Automatic Software Refactoring [8.038518812060897]
RefAgentは、エンドツーエンドソフトウェアのためのマルチエージェントLLMベースのフレームワークである。
テストの計画、実行、反復的な精錬を担当する特殊なエージェントで構成されています。
単体テストの合格率は90%で、コードの臭いを52.5%減らし、キーの品質特性を8.6%改善している。
論文 参考訳（メタデータ） (2025-11-05T03:20:58Z) - Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis [54.361900378970134]
Just-in-time defect prediction (JIT-DP) は、早期にソフトウェア欠陥を引き起こすコード変更の可能性を予測することを目的としている。
これまでの研究は、その頻度にもかかわらず、評価フェーズと方法論フェーズの両方でコードを無視してきた。
JIT-Defects4Jデータセットのラベリング精度を13.7%向上させるコードと伝播を分類するためのCode chAnge Tactics (CAT)解析を提案する。
論文 参考訳（メタデータ） (2025-07-25T23:29:25Z) - LLM-based Multi-Agent System for Intelligent Refactoring of Haskell Code [3.8442921307218882]
Haskell コード上での処理を自動化するために,大規模言語モデル (LLM) ベースのマルチエージェントシステムを提案する。
その結果、提案したマルチエージェントシステムは、コードの複雑さを平均11.03%減少させ、コード品質を22.46%改善し、パフォーマンス効率を平均13.27%向上させることができた。
論文 参考訳（メタデータ） (2025-06-24T10:17:34Z) - D-LiFT: Improving LLM-based Decompiler Backend via Code Quality-driven Fine-tuning [49.16469288280772]
逆コンパイラは、バイナリから可読なソースコードを再構築する。
近年の進歩にもかかわらず、そのアウトプットは構文上の誤りや意味的な誤りに悩まされ、読みにくいままである。
大規模言語モデル (LLMs) の出現により、研究者は逆コンパイラ出力を洗練するためのLLMの可能性を探り始めた。
D-LIFTは、微調整強化学習を施した拡張逆コンパイラLLMパイプラインである。
論文 参考訳（メタデータ） (2025-06-11T19:09:08Z) - MANTRA: Enhancing Automated Method-Level Refactoring with Contextual RAG and Multi-Agent LLM Collaboration [44.75848695076576]
本稿では,包括的Large Language ModelsエージェントベースのフレームワークであるMANTRAを紹介する。
ManTRAは、コンテキスト対応検索強化生成、協調型マルチエージェントコラボレーション、および言語強化学習を統合している。
MANTRA はベースライン LLM モデルを大幅に上回ることを示す実験結果が得られた。
論文 参考訳（メタデータ） (2025-03-18T15:16:51Z) - Do code refactorings influence the merge effort? [80.1936417993664]
複数のコントリビュータがソースコードを並行して変更して,新機能の実装やバグの修正,既存のコードの変更などを行っている。
これらの同時変更は、ソースコードの同じバージョンにマージする必要がある。
研究によると、すべてのマージの試みの10～20%が衝突を起こしており、これはプロセスを完了するために手動開発者の介入を必要とする。
論文 参考訳（メタデータ） (2023-05-10T13:24:59Z)
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。