論文の概要: SkillForge: Self-Distilling Agents for Project-Specific Issue Resolution
- arxiv url: http://arxiv.org/abs/2608.18933v1
- Date: Wed, 19 Aug 2026 14:01:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.42135
- Title: SkillForge: Self-Distilling Agents for Project-Specific Issue Resolution
- Title（参考訳）: SkillForge: プロジェクト固有の課題解決のための自己蒸留剤
- Abstract要約: LLM(Large Language Model)ベースのエージェントは、自動ソフトウェア問題解決において顕著な熟練性を示した。
プロジェクト固有の知識がないため、特定のリポジトリの問題を解決するのに苦労することが多い。
本稿では,プロジェクト固有の知識をリポジトリ自体から積極的に取得するフレームワークであるSkillForgeを提案する。
- 参考スコア（独自算出の注目度）: 21.5992590228819
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) based agents have demonstrated remarkable proficiency in automated software issue resolution, yet they often struggle to resolve issues in a specific repository because they lack project-specific knowledge. Existing self-evolving approaches acquire such knowledge from repository history or online repair trajectories, but they either depend on available historical issue-resolution signals or incur substantial per-issue test-time exploration cost. In this paper, we propose SkillForge, a self-distillation framework that proactively acquires project-specific knowledge from the repository itself. Instead of waiting for real issues to expose project-specific knowledge gaps, SkillForge synthesizes project-specific issues by re-implementing test-covered core functionalities of the repository. By resolving these synthetic issues, SkillForge distills reusable project-specific knowledge into entity-grounded skills and associates them with relevant repository entities for future issue resolution. Extensive experiments using both open-source and closed-source models show that SkillForge consistently improves issue resolution performance over strong baselines. These results demonstrate that proactively acquiring project-specific knowledge before solving real issues substantially improves downstream software issue resolution.
- Abstract（参考訳）: LLM(Large Language Model)ベースのエージェントは、自動化されたソフトウェアイシュー解決の卓越した熟練度を示しているが、プロジェクト固有の知識がないため、特定のリポジトリの問題を解決するのに苦労することが多い。
既存の自己進化的アプローチは、リポジトリ履歴やオンラインの修復軌道からそのような知識を取得するが、それらは利用可能な歴史的課題解決信号に依存するか、実際のテスト時間探索コストを発生させる。
本稿では,プロジェクト固有の知識をリポジトリ自体から積極的に取得する自己蒸留フレームワークであるSkillForgeを提案する。
実際の問題がプロジェクト固有の知識ギャップを公開するのを待つ代わりに、SkillForgeは、テスト対象のコア機能を再実装することで、プロジェクト固有の問題を合成する。
これらの合成問題の解決によって、SkillForgeは再利用可能なプロジェクト固有の知識をエンティティ基底のスキルに蒸留し、将来的な課題解決のために関連するリポジトリエンティティと関連付ける。
オープンソースモデルとクローズドソースモデルの両方を用いた大規模な実験は、SkillForgeが強いベースラインよりもイシュー解決性能を一貫して改善していることを示している。
これらの結果は、実際の問題を解決する前に、プロジェクト固有の知識を積極的に獲得することが、ダウンストリームソフトウェアの問題解決を大幅に改善することを示しています。
関連論文リスト
- Know Before Fix: QA-Driven Repository Knowledge Acquisition for Software Issue Resolution [14.539105528943958]
ACQUIREは、ソフトウェアイシュー解決のためのQA駆動のフレームワークである。
ACQUIREは、修正を試みる前に開発者がよく知らないコードを最初に理解する方法を反映して、修正する前にリポジトリの知識を明示的に取得する。
論文 参考訳（メタデータ） (2026-07-13T05:41:01Z) - From Knowing to Acting: Benchmarking Self-Awareness Capability of LLM Agents [69.07911499189129]
エージェントのメタ認知判断(Knowing)を自発的実行(Acting)から切り離して認知行動アライメントを評価するフレームワークであるKAPROを紹介する。
実験の結果,自己認識能力はタスク成功と強く相関するが,内部能力設定では著しく低下することがわかった。
プロプライエタリで推論指向のモデルは、より信頼性の高い認知ゲーティングを示します。
論文 参考訳（メタデータ） (2026-06-09T17:17:08Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - BeyondSWE: Can Current Code Agent Survive Beyond Single-Repo Bug Fixing? [61.247730037229815]
BeyondSWEは2つの軸 – 解像度スコープと知識スコープ – に沿って既存の評価を拡張する包括的なベンチマークです。
外部知識の役割を解明するために,ディープ検索とコーディング能力を統合するフレームワークであるSearchSWEを開発した。
この作業は、現実的で挑戦的な評価ベンチマークと、より有能なコードエージェントに向けた研究を進めるための柔軟なフレームワークの両方を提供する。
論文 参考訳（メタデータ） (2026-03-03T17:52:01Z) - NL2Repo-Bench: Towards Long-Horizon Repository Generation Evaluation of Coding Agents [79.29376673236142]
既存のベンチマークは、完全なソフトウェアシステムを構築するのに必要な長期的能力の厳格な評価に失敗する。
符号化エージェントの長期リポジトリ生成能力を評価するために設計されたベンチマークであるNL2Repo Benchを提案する。
論文 参考訳（メタデータ） (2025-12-14T15:12:13Z) - Predicting Abandonment of Open Source Software Projects with An Integrated Feature Framework [15.50732865972961]
オープンソースソフトウェア(OSS)は、現代のソフトウェア開発の基盤であるが、OSSプロジェクトの放棄が増加し、世界的なサプライチェーンが脅かされている。
本研究では,OSSプロジェクトの放棄を2つのアプローチで確実に検出することで,これらの課題に対処する。
この基盤の上に構築され、ユーザ中心、メンテナ中心、プロジェクトの進化的特徴をキャプチャする、放棄予測のための統合されたマルチパースペクティブな機能フレームワークを導入します。
私たちの仕事は、大規模なOSSエコシステムにおける放棄リスクを理解し管理するための再現性、拡張性、実践者指向のサポートを提供します。
論文 参考訳（メタデータ） (2025-07-29T10:45:24Z) - Towards an Interpretable Analysis for Estimating the Resolution Time of Software Issues [1.4039240369201997]
プロジェクトごとに問題を修正するのに必要な実際の労力を抽出する問題監視システムを構築します。
提案手法では,トピックモデリングを用いて問題セマンティクスを抽出し,メタデータを解釈可能な解像度時間解析に活用する。
論文 参考訳（メタデータ） (2025-05-02T08:38:59Z) - QualiTagger: Automating software quality detection in issue trackers [4.917423556150366]
この研究は、Transformerのような最先端のモデルを使って、テキストが通常、異なる品質特性に関連付けられているものを特定する。
また,オープンアクセス可能なソフトウェアリポジトリからのイシュートラッカにおける品質分布についても検討する。
論文 参考訳（メタデータ） (2025-04-15T10:40:40Z) - Knowledge Islands: Visualizing Developers Knowledge Concentration [0.0]
Knowledge Islandsは、最先端の知識モデルを使用して、ソフトウェアリポジトリ内の知識の集中を可視化するツールである。
GitHubプロジェクトを分析し、知識がどこに集中しているかを判断し、プロジェクトの健全性を維持するための手段を実装することができる。
論文 参考訳（メタデータ） (2024-08-16T13:32:49Z) - Knowledge Crosswords: Geometric Knowledge Reasoning with Large Language Models [49.23348672822087]
構造化された事実制約に縛られた不完全な知識ネットワークからなるベンチマークである知識クロスワードを提案する。
幾何学的知識推論の新しい設定は、既存の原子/線形マルチホップQAを超える新しいLM能力を必要とする。
我々は,既存のLLMと知識クロスワードのアプローチを評価するために,広範囲な実験を行っている。
論文 参考訳（メタデータ） (2023-10-02T15:43:53Z) - A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。
我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。
提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
論文 参考訳（メタデータ） (2022-06-30T02:35:04Z) - KILT: a Benchmark for Knowledge Intensive Language Tasks [102.33046195554886]
知識集約型言語タスク(KILT)のベンチマークを示す。
KILTのすべてのタスクはウィキペディアのスナップショットと同じだ。
共有密度ベクトル指数とSeq2seqモデルとの結合が強いベースラインであることが分かる。
論文 参考訳（メタデータ） (2020-09-04T15:32:19Z)
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。