論文の概要: AgentExecutor: Partial Code Execution via Agentic Context Generation
- arxiv url: http://arxiv.org/abs/2608.05959v1
- Date: Thu, 06 Aug 2026 12:33:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.901531
- Title: AgentExecutor: Partial Code Execution via Agentic Context Generation
- Title（参考訳）: AgentExecutor: エージェントコンテキスト生成による部分的なコード実行
- Abstract要約: 本稿では,部分的なコード実行のための新しいマルチエージェントフレームワークであるAgentExecutorを提案する。
AgentExecutor は 94% と 90% のコードカバレッジを実現し、最先端の Treefix をそれぞれ 19.9% と 13.8% で上回っている。
- 参考スコア（独自算出の注目度）: 15.748912253240773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Executing code snippets is essential for dynamic program analysis, but it remains challenging to execute an arbitrary code snippet due to issues like missing context and incomplete dependencies. Existing approaches to partial code execution, such as LExecutor and Treefix, leverage the power of language models to infer missing information and enable execution. However, they suffer from (i) limited action spaces and feedback, and (ii) rigid optimization strategies, which restrict their effectiveness and efficiency. In this paper, we propose AgentExecutor, a novel multi-agent framework for partial code execution. Our approach introduces a three-phase design: execution environment preparation, dynamic exploration with iterative refinement, and prefix evolution via program synthesis. Supported by the power of LLM agents who can think, act, and get feedback iteratively, AgentExecutor is able to autonomously explore a richer action space, enabling diverse operations such as creating resource files and resolving environment configuration. Furthermore, it adopts adaptive optimization strategies, including coverage-guided context pruning and prefix evolution via program synthesis, to systematically improve the execution quality of partial code. We evaluate AgentExecutor on two widely used datasets comprising Stack Overflow snippets and open-source project code. The results show that AgentExecutor achieves up to 94% and 90% code coverage, outperforming the state-of-the-art approach Treefix by 19.9% and 13.8%, respectively. In addition, AgentExecutor significantly reduces execution time (by up to 80.3%) and cost (by up to 56.6%). These findings demonstrate that AgentExecutor provides an effective and efficient solution for partial code execution.
- Abstract（参考訳）: 動的プログラム分析にはコードスニペットの実行が不可欠だが、コンテキスト不足や不完全な依存関係といった問題のため、任意のコードスニペットの実行は依然として難しい。
LExecutorやTreefixといった、既存の部分的なコード実行アプローチでは、言語モデルのパワーを活用して、不足した情報を推測し、実行を可能にする。
しかし、彼らは苦しむ。
一 限られた行動空間及びフィードバック
(II) 有効性と効率を制限した厳密な最適化戦略。
本稿では,部分的コード実行のための新しいマルチエージェントフレームワークであるAgentExecutorを提案する。
提案手法では,実行環境の準備,反復的改良による動的探索,プログラム合成による序文進化という3段階の設計を導入する。
思考、行動、フィードバックを反復的に得るLLMエージェントの力によって、AgentExecutorはよりリッチなアクション空間を自律的に探索し、リソースファイルの作成や環境設定の解決といった多様な操作を可能にする。
さらに、プログラム合成によるカバレッジ誘導型コンテキストプルーニングやプレフィックス進化を含む適応最適化戦略を採用し、部分コードの実行品質を体系的に改善する。
Stack Overflowスニペットとオープンソースプロジェクトからなる,広く使用されている2つのデータセット上で,AgentExecutorを評価する。
その結果、AgentExecutorは94%と90%のコードカバレッジを達成し、最先端のTreefixをそれぞれ19.9%、13.8%上回った。
さらに、AgentExecutorは実行時間(80.3%まで)とコスト(56.6%まで)を大幅に削減する。
これらの結果は、AgentExecutorが部分的なコード実行に対して効率的かつ効率的なソリューションを提供することを示している。
関連論文リスト
- Control-Data Flow Separation: Stable Prompt Optimization in Multi-Agent LLMs [12.541527720380897]
プロンプト最適化はマルチエージェントシステムを改善することができるが、プロンプト最適化はしばしば2つの絡み合った役割を果たす。
コンテンツ生成を改善するためのプロンプト編集は、プロトコルを不注意に破損させ、エージェントパイプライン全体が失敗する可能性がある。
本稿では,実行クリティカルな制御を型付きプログラムオブジェクトとして表現する制御データフロー分離を提案する。
論文 参考訳（メタデータ） (2026-09-01T03:04:08Z) - The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳（メタデータ） (2026-08-07T02:15:39Z) - Robust and Efficient Tool Orchestration via Layered Execution Structures with Reflective Correction [55.13278005189741]
私たちは、高レベルのツール依存関係をキャプチャする階層化された実行構造を学ぶために、ツールオーケストレーションをモデル化します。
本稿では,局所的にエラーを検出し,修正するスキーマ対応反射補正機構を提案する。
この設計では、エラーを個々のツールコールに限定し、実行軌跡全体の再計画を避ける。
論文 参考訳（メタデータ） (2026-02-21T22:20:01Z) - SCOPE: Prompt Evolution for Enhancing Agent Effectiveness [53.75986399936395]
大規模言語モデル(LLM)エージェントは、大規模で動的なコンテキストを生成する環境にますますデプロイされている。
エージェントはこのコンテキストにアクセスできますが、静的なプロンプトには効果的に管理するメカニズムがありません。
textbfSCOPE (Self-evolving Context Optimization via Prompt Evolution) を導入する。
本稿では,戦術的特異性(即時誤りの解消)と戦略的汎用性(長期原則の進化)のバランスをとるデュアルストリーム機構を提案する。
論文 参考訳（メタデータ） (2025-12-17T12:25:05Z) - Flash-Searcher: Fast and Effective Web Agents via DAG-Based Parallel Execution [48.7788770680643]
Flash-Searcherは、新しい並列エージェント推論フレームワークである。
複雑なタスクを明示的な依存関係でサブタスクに分解し、独立した推論パスの同時実行を可能にする。
BrowseCompでは67.7%の精度で、xbench-DeepSearchでは83%、エージェントの実行手順は現在のフレームワークに比べて最大35%削減されている。
論文 参考訳（メタデータ） (2025-09-29T17:39:30Z) - CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。
その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
論文 参考訳（メタデータ） (2025-07-04T02:20:19Z) - AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。
既存のエージェントサーチ手法には3つの大きな制限がある。
これらの課題に対処するための包括的なフレームワークを導入します。
論文 参考訳（メタデータ） (2025-06-06T12:07:23Z) - Treefix: Enabling Execution with a Tree of Prefixes [18.129031749321058]
本稿では,新しい学習誘導型実行手法であるTreefixを提案する。
これは反復的にプレフィックスのツリーを生成し、そのサブセットはコードスニペット内で実行された行数を最大化するプレフィックスとしてユーザに返される。
Treefixは、学習誘導実行における現在の技術状況と比較して25%と7%のカバレッジを実現しており、コードスニペット内の全行の84%と82%をカバーしている。
論文 参考訳（メタデータ） (2025-01-21T18:13:43Z) - CodeTree: Agent-guided Tree Search for Code Generation with Large Language Models [106.11371409170818]
大規模言語モデル(LLM)は、生成されたコードを自己定義し、自律的に改善する機能を持つエージェントとして機能する。
コード生成プロセスの異なる段階における探索空間を効率的に探索するLLMエージェントのためのフレームワークであるCodeTreeを提案する。
具体的には、異なるコーディング戦略を明示的に探求し、対応するコーディングソリューションを生成し、その後、ソリューションを洗練するために統合されたツリー構造を採用しました。
論文 参考訳（メタデータ） (2024-11-07T00:09:54Z) - A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。
具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。
我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
論文 参考訳（メタデータ） (2023-10-03T16:05:48Z) - LExecutor: Learning-Guided Execution [21.417049430066616]
本稿では,任意のコードスニペットを制約の少ない方法で実行するための学習誘導型LExecutorを提案する。
キーとなるアイデアは、プログラムが立ち往生する原因となる欠落した値をニューラルモデルに予測させ、これらの値を実行に注入することです。
我々は、人気のあるオープンソースプロジェクトからのPythonコードに対するアプローチと、Stack Overflowから抽出されたコードスニペットについて評価する。
論文 参考訳（メタデータ） (2023-02-05T09:12:07Z)
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。