論文の概要: Understanding the Architecture of Coding Agents: An Exploratory Study Using a Research Prototype
- arxiv url: http://arxiv.org/abs/2608.10934v1
- Date: Tue, 11 Aug 2026 14:02:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.066727
- Title: Understanding the Architecture of Coding Agents: An Exploratory Study Using a Research Prototype
- Title（参考訳）: コーディングエージェントのアーキテクチャを理解する:研究プロトタイプを用いた探索的研究
- Abstract要約: コーディングエージェントは、AI支援ソフトウェア開発の主要なインターフェースとして急速に現れてきた。
本稿では、コーディングエージェントの主要なアーキテクチャコンポーネントについて、それらの責務、相互作用、実行フローを説明する。
また、研究と教育用に設計された最小限のオープンソースコーディングエージェントであるArkについても紹介する。
- 参考スコア（独自算出の注目度）: 0.2538209532048867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coding agents have rapidly emerged as the primary interface for AI-assisted software development. However, despite their growing adoption, relatively little is known about their internal architecture, and no systematic architectural description comparable to those available for compilers or operating systems currently exists. This paper addresses this gap by documenting the main architectural components of coding agents, explaining their responsibilities, interactions, and execution flow. To support this effort, we also present Ark (Agent Research Kit), a minimal open-source coding agent designed for research and education that preserves the essential architectural mechanisms of modern coding agents while emphasizing simplicity and clarity. We also introduce ArkBench, a lightweight benchmark comprising ten representative software maintenance and evolution tasks. Using gpt-5.4-mini, Ark successfully solved 8 of the 10 tasks while requiring modest token consumption. Finally, we compare the architecture of Ark with those of state-of-the-art coding agents using a recently proposed architectural taxonomy. We hope that both Ark and ArkBench provide a practical foundation for teaching, research, and experimentation on coding agents.
- Abstract（参考訳）: コーディングエージェントは、AI支援ソフトウェア開発の主要なインターフェースとして急速に現れてきた。
しかし、採用が増えているにもかかわらず、内部アーキテクチャについてはあまり知られておらず、コンパイラやオペレーティングシステムに匹敵する体系的なアーキテクチャ記述は現存していない。
本稿では、コーディングエージェントの主要なアーキテクチャコンポーネントを文書化し、それらの責務、相互作用、実行フローを説明することによって、このギャップに対処する。
この取り組みを支援するために,研究と教育のために設計された最小限のオープンソースコーディングエージェントであるArk(Agent Research Kit)も紹介する。
また、ArkBenchは10のソフトウェア保守と進化のタスクからなる軽量なベンチマークである。
gpt-5.4-miniを使用して、Arkは10のタスクのうち8つを適度なトークン消費で解決した。
最後に、最近提案されたアーキテクチャ分類法を用いて、Arkのアーキテクチャと最先端のコーディングエージェントのアーキテクチャを比較した。
ArkとArkBenchが共に、コーディングエージェントの教育、研究、実験のための実践的な基盤を提供してくれることを願っている。
関連論文リスト
- PRAXIS: Graph-Grounded Tacit Knowledge for Domain Code Generation [61.752289169878566]
ドメイン固有のビジネスルール、インターフェース契約、開発者が実践を通じて内部化するが文書化しない運用規約を含む、エージェントの暗黙の知識の欠如の根本原因を特定します。
この知識は、ドメイン・コードの下に深く埋もれており、コード・エンティティとその依存関係にまたがっており、それを持たないエージェントには見えません。
本稿では,ドメインコード生成のための暗黙的知識の抽出,表現,再利用を可能にするフレームワークであるPRAXISを提案する。
論文 参考訳（メタデータ） (2026-08-20T08:28:28Z) - LLMoxie: Exploring Agentic AI for Scientific Software Development [0.2708918306110244]
RSEが天文学、地球科学、気候科学、農業、健康プロジェクトに埋め込まれた大学ベースの研究ソフトウェアエンジニアリング(RSE)センターでの20ヶ月の実践の報告は、このギャップを埋めるために働いた。
マルチドメインのRSEセンターでAgentic AIを採用する上で、繰り返し発生するインフラストラクチャ、ガバナンス、プロセスの課題を説明し、プラットフォームとプラグインの設計を説明し、実際の科学的ソフトウェアデプロイメントから運用上の教訓を抽出する。
論文 参考訳（メタデータ） (2026-07-02T18:46:27Z) - Microskill Architecture: A Modular Skill-Driven Framework for AI-Native Code Generation [0.0]
大規模言語モデルとAIコーディングエージェントはソフトウェア開発を再形成したが、完全なAIネイティブシステムへの道は構造的な課題に直面している。
本稿では,マイクロスキルアーキテクチャ(MicroSkill Architecture)について述べる。
実証的なケーススタディでは、MicroSkillがトークンの消費を90%以上削減し、初歩的な成功率をほぼ2倍にし、アーキテクチャが違反を完全に排除している。
論文 参考訳（メタデータ） (2026-06-04T05:24:32Z) - 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) - On Accelerating Grounded Code Development for Research [4.238809918521607]
ニッチな科学的および技術的ドメインにとっての大きな課題は、最新のドメイン固有の知識へのアクセスの欠如である。
我々は,コーディングエージェントが研究レポジトリや技術ドキュメンテーションに即時アクセス可能なフレームワークを導入する。
論文 参考訳（メタデータ） (2026-04-21T03:16:16Z) - ABC-Bench: Benchmarking Agentic Backend Coding in Real-World Development [72.4729759618632]
本稿では,現実的かつ実行可能なワークフロー内でエージェントバックエンドコーディングを評価するベンチマークであるABC-Benchを紹介する。
オープンソースリポジトリから8つの言語と19のフレームワークにまたがる224の実践的なタスクをキュレートしました。
我々の評価は、最先端モデルでさえ、これらの総合的なタスクに対して信頼性の高いパフォーマンスを提供するのに苦労していることを示している。
論文 参考訳（メタデータ） (2026-01-16T08:23:52Z) - Simple Agents Outperform Experts in Biomedical Imaging Workflow Optimization [69.36509281190662]
生産レベルのコンピュータビジョンツールを科学データセットに適応させることは、重要な"ラストマイル"ボトルネックである。
我々は、AIエージェントを使ってこの手動コーディングを自動化し、最適なエージェント設計のオープンな問題に焦点を当てる。
簡単なエージェントフレームワークが、人間-専門家のソリューションよりも優れた適応コードを生成することを実証する。
論文 参考訳（メタデータ） (2025-12-02T18:42:26Z) - Deep Research Agents: A Systematic Examination And Roadmap [109.53237992384872]
Deep Research (DR) エージェントは複雑な多ターン情報研究タスクに取り組むように設計されている。
本稿では,DRエージェントを構成する基礎技術とアーキテクチャコンポーネントの詳細な分析を行う。
論文 参考訳（メタデータ） (2025-06-22T16:52:48Z) - NADER: Neural Architecture Design via Multi-Agent Collaboration [37.48197934228379]
ニューラルアーキテクチャ設計(NAD)を多エージェント協調問題として定式化する新しいフレームワークであるNADERを紹介する。
本稿では,即時フィードバックと長期経験から効果的に学習するリフレクタを提案する。
ニューラルアーキテクチャを表現するためにコードを使った従来のLCMベースの手法とは異なり、グラフベースの表現を用いる。
論文 参考訳（メタデータ） (2024-12-26T13:07:03Z) - Pangu-Agent: A Fine-Tunable Generalist Agent with Structured Reasoning [50.47568731994238]
人工知能(AI)エージェント作成の鍵となる方法は強化学習(RL)である
本稿では,構造化推論をAIエージェントのポリシーに統合し,学習するための一般的なフレームワークモデルを提案する。
論文 参考訳（メタデータ） (2023-12-22T17:57:57Z) - Does Unsupervised Architecture Representation Learning Help Neural
Architecture Search? [22.63641173256389]
既存のニューラルアーキテクチャサーチ(NAS)手法は、スケールが良くない離散符号化を用いてニューラルアーキテクチャをエンコードするか、アーキテクチャ表現を共同で学習し、探索バイアスを引き起こすような表現上でアーキテクチャ探索を最適化するための教師付き学習ベースの手法を採用する。
アーキテクチャ表現学習と探索が組み合わさっていれば,ニューラルネットワークの構造的特性を潜時空間に保持することは困難であり,その結果,探索性能は低下する。
論文 参考訳（メタデータ） (2020-06-12T04:15:34Z)
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。