論文の概要: AgentForge: An Immersive Role-Playing Platform for Learning Agentic Software Engineering
- arxiv url: http://arxiv.org/abs/2608.04148v1
- Date: Tue, 04 Aug 2026 18:58:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.598225
- Title: AgentForge: An Immersive Role-Playing Platform for Learning Agentic Software Engineering
- Title（参考訳）: AgentForge:エージェントソフトウェアエンジニアリングを学ぶための没入的なロールプレイングプラットフォーム
- Abstract要約: textitAgentForgeは、初心者が4つのソフトウェアエンジニアリングの役割のうちの1つを担う没入型学習システムである。
各練習セッションでは、初心者が選択した役割を演じ、AIエージェントが残りの3つを実行する。
37人の初心者開発者を対象にした調査では、AIエージェントのサポートで高いタスク補完率を達成した。
- 参考スコア（独自算出の注目度）: 4.609790123179083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Agentic AI is increasingly used to coordinate planning, implementation, review, and testing in software development, yet it often offers limited transparency into its decisions and interactions. Many such systems also assume that users can effectively guide the AI's decisions and validate its outputs. This assumption poses a particular challenge for novices, who must simultaneously learn how agentic AI works, how to collaborate with it effectively, and how to evaluate its outputs critically. To address this challenge, we present \textit{AgentForge}, an immersive learning system in which novices take on one of four software-engineering roles: Task Planner, Patch Author, Code Reviewer, or Test Runner, within a multi-agent code-repair workflow. In each practice session, the novices perform their chosen role while AI agents perform the remaining three. Through role-based scaffolding and metacognitive support, AgentForge clarifies role-specific responsibilities, makes agent coordination and intermediate artifacts visible, and encourages novices to monitor and evaluate their decisions. In a study with 37 novice developers, participants achieved high task-completion rates with AI-agent support. However, interaction demands differed significantly across practices: the Code Reviewer practice required more interaction turns, reroutes, and completion time ($p_{\mathrm{adj}} = .004$) and was perceived as the most challenging. Participants nevertheless reported significant gains in their understanding of software repair and agent collaboration ($p_{\mathrm{adj}} < .001$). These findings suggest that AgentForge can help novices develop practical software-engineering skills while learning to collaborate with agentic AI more critically and effectively.
- Abstract（参考訳）: Agentic AIは、ソフトウェア開発における計画、実装、レビュー、テストのコーディネートにますます使われていますが、多くの場合、意思決定とインタラクションに限定した透明性を提供します。
このようなシステムの多くは、AIの決定を効果的にガイドし、アウトプットを検証することができると仮定している。
この仮定は、エージェントAIの動作方法、効果的にコラボレーションする方法、そしてアウトプットを批判的に評価する方法を同時に学ぶ必要がある初心者にとって、特別な課題となる。
この課題に対処するために,タスクプランナ,パッチオーサライザ,コードレビュア,テストランナーという,初心者が4つのソフトウェアエンジニアリングロールの1つを担う没入型学習システムである‘textit{AgentForge} を紹介した。
各練習セッションでは、初心者が選択した役割を演じ、AIエージェントが残りの3つを実行する。
ロールベースのスキャフォールディングとメタ認知サポートを通じて、AgentForgeはロール固有の責任を明確にし、エージェントのコーディネーションと中間アーティファクトを可視化し、初心者に彼らの決定を監視して評価するように促す。
37人の初心者開発者を対象にした調査では、AIエージェントのサポートで高いタスク補完率を達成した。
しかし、インタラクションの要求はプラクティスによって大きく異なる。 Code Reviewerのプラクティスでは、より多くのインタラクションのターン、リルート、完了時間(p_{\mathrm{adj}} = .004$)が必要であり、最も難しいと見なされた。
にもかかわらず、参加者はソフトウェア修復とエージェントのコラボレーション(p_{\mathrm{adj}} < .001$)に対する理解において、大きな成果を報告した。
これらの結果から,AgentForgeは初心者がエージェントAIとより批判的かつ効果的に協力することを学びながら,実践的なソフトウェア工学のスキルを身につけるのに役立つことが示唆された。
関連論文リスト
- Code as Agent Harness [107.31925305395957]
新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。
コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。
この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
論文 参考訳（メタデータ） (2026-05-18T17:59:03Z) - "I'm Not Reading All of That": Understanding Software Engineers' Level of Cognitive Engagement with Agentic Coding Assistants [9.74467739744379]
AIシステムへの過度な依存は、ユーザの批判的思考を損なう可能性がある。
ソフトウェア工学では、エージェントコーディングアシスタント(ACA)が日々の開発に急速に組み込まれつつある。
論文 参考訳（メタデータ） (2026-03-15T05:03:20Z) - AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。
エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。
本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
論文 参考訳（メタデータ） (2026-01-28T13:49:18Z) - Exploring Human-AI Collaboration Using Mental Models of Early Adopters of Multi-Agent Generative AI Tools [4.382163871275696]
アーリーアダプターと開発者がマルチエージェントGen AIツールをどのように概念化するかを検討した。
私たちは、Microsoftで働く13人の開発者、すべてマルチエージェントのGen AI技術のアーリーアダプターと半構造化インタビューを行いました。
エラーの伝播、予測不可能で非生産的なエージェントループの挙動、層状透明性の問題を軽減するための明確なコミュニケーションの必要性など、重要な課題を特定した。
論文 参考訳（メタデータ） (2025-09-10T05:35:38Z) - How Software Engineers Engage with AI: A Pragmatic Process Model and Decision Framework Grounded in Industry Observations [1.516251872371896]
GitHub CopilotとChatGPTが"バイブコーディング"を実施
本稿では2つの補完的貢献について述べる。
まず、現実世界のAI支援SEアクティビティをキャプチャする実用的なプロセスモデル。
第二に、2Dの意思決定フレームワークは、開発者が労力の節約と品質のアウトプットのトレードオフを判断するのに役立ちます。
論文 参考訳（メタデータ） (2025-07-23T21:00:21Z) - Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。
我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。
結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
論文 参考訳（メタデータ） (2025-07-10T20:12:54Z) - Graphs Meet AI Agents: Taxonomy, Progress, and Future Opportunities [117.49715661395294]
データ構造化は、複雑で非組織的なデータをよく構造化された形式に変換することで、有望な役割を果たす。
この調査では、グラフがAIエージェントにどのように権限を与えるかを、初めて体系的にレビューする。
論文 参考訳（メタデータ） (2025-06-22T12:59:12Z) - Assistance or Disruption? Exploring and Evaluating the Design and Trade-offs of Proactive AI Programming Support [36.082282294551405]
我々は,エディタアクティビティとタスクコンテキストに基づいたプログラミング支援を開始するデザインプローブエージェントであるCodellaboratorを紹介し,評価する。
プロアクティブエージェントは、プロンプトのみのパラダイムに比べて効率が向上するが、ワークフローの混乱も引き起こす。
論文 参考訳（メタデータ） (2025-02-25T21:37:25Z) - TheAgentCompany: Benchmarking LLM Agents on Consequential Real World Tasks [55.03911355902567]
我々は、デジタルワーカーと同じような方法で世界と対話するAIエージェントを評価するためのベンチマークであるTheAgentCompanyを紹介する。
最も競争力のあるエージェントは、タスクの30%を自律的に完了させることができる。
これは、実際の職場の設定でLMエージェントをシミュレートすることで、タスク自動化に関する微妙な絵を描く。
論文 参考訳（メタデータ） (2024-12-18T18:55:40Z) - Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。
本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。
実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
論文 参考訳（メタデータ） (2023-12-28T13:50:42Z)
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。