Fugu-MT 論文翻訳(概要): DeepRepoQA: Code Repository Question Answering with Deep Agent Exploration

論文の概要: DeepRepoQA: Code Repository Question Answering with Deep Agent Exploration

arxiv url: http://arxiv.org/abs/2608.24221v1
Date: Tue, 25 Aug 2026 08:26:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.869826
Title: DeepRepoQA: Code Repository Question Answering with Deep Agent Exploration
Title（参考訳）: DeepRepoQA: Deep Agent Explorationによるコードリポジトリ質問回答
Abstract要約: DeepRepoQAは、リポジトリレベルのコード理解のための新しいQAフレームワークである。 Monte-Carlo Tree Search (MCTS) メカニズムは、エージェントが動的にコードを探し、ナビゲートし、検査することを可能にするために使用される。
参考スコア（独自算出の注目度）: 10.655923413185498
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Answering developer questions about a software repository is a critical yet under-explored problem in software engineering. While existing repository understanding methods have advanced the field, they predominantly rely on surface-level code retrieval and lack the ability for deep reasoning over multiple files, complex software architectures, and grounding answers in long-range code dependencies. To address these limitations, we propose DeepRepoQA, a novel question answering (QA) framework for repository-level code understanding. DeepRepoQA builds on an agentic framework where LLM agents find answers through a systematic tree search over the repository structure. A Monte-Carlo Tree Search (MCTS) mechanism is employed to empower agents to dynamically search, navigate, and inspect code, enabling effective multi-hop reasoning over long-range code dependencies. Comprehensive experiments on the SWE-QA benchmark demonstrate substantial performance gains over strong baselines, validating the effectiveness of systematic MCTS-guided exploration for multi-hop repository reasoning.
Abstract（参考訳）: ソフトウェアレポジトリに関する開発者の疑問に答えることは、ソフトウェアエンジニアリングにおいて重要な問題ですが、未調査の課題です。既存のリポジトリ理解手法は分野を進歩させてきたが、それらは主に表面レベルのコード検索に依存しており、複数のファイルに対する深い推論能力、複雑なソフトウェアアーキテクチャ、そして長い範囲のコード依存に対する答えの根拠を持たない。これらの制限に対処するため、リポジトリレベルのコード理解のための新しいQAフレームワークであるDeepRepoQAを提案する。 DeepRepoQAは、LLMエージェントがリポジトリ構造上のシステマティックツリー検索を通じて回答を見つけるエージェントフレームワーク上に構築されている。 Monte-Carlo Tree Search (MCTS) メカニズムは、エージェントが動的にコードを探し、ナビゲートし、検査できるようにし、長距離コードの依存関係に対して効果的なマルチホップ推論を可能にする。 SWE-QAベンチマークの総合的な実験は、強力なベースラインよりもかなりの性能向上を示し、マルチホップリポジトリ推論のための体系的MCTS誘導探索の有効性を検証した。

関連論文リスト

SWE-Explore: Benchmarking How Coding Agents Explore Repositories [20.73123882302075]
SWE-benchのようなリポジトリレベルのコーディングベンチマークは、コーディングエージェントの能力の急激な急上昇を引き起こしている。本稿では,リポジトリ探索の評価を分離するベンチマークであるSWE-Exploreを紹介する。
論文参考訳（メタデータ） (2026-06-05T14:08:27Z)
Beyond Code Snippets: Benchmarking LLMs on Repository-Level Question Answering [4.120344028676837]
大規模言語モデル(LLM)は、質問応答(QA)を含む、ソフトウェアエンジニアリングタスク全体で印象的な機能を示している。 StackRepoQAは、134のオープンソースJavaプロジェクト間で、1,318の実際の開発者質問と受け入れられた回答から構築された、最初のマルチプロジェクト、リポジトリレベルの質問応答データセットです。
論文参考訳（メタデータ） (2026-03-27T16:30:54Z)
FS-Researcher: Test-Time Scaling for Long-Horizon Research Tasks with File-System-Based Agents [53.03492387564392]
我々はFS-Researcherを紹介した。FS-Researcherはファイルシステムベースのフレームワークで、永続的なワークスペースを通じてコンテキストウィンドウを超えて深い研究をスケールする。 Context Builderエージェントはインターネットを閲覧し、構造化されたノートを書き、ソースを階層的な知識ベースにアーカイブする。その後、レポートライターエージェントが最終レポートセクションをセクションごとに構成し、知識ベースを事実のソースとして扱う。
論文参考訳（メタデータ） (2026-02-02T03:00:19Z)
AlignCoder: Aligning Retrieval with Target Intent for Repository-Level Code Completion [55.21541958868449]
リポジトリレベルのコード補完フレームワークであるAlignCoderを提案する。我々のフレームワークは、初期クエリとターゲットコードのセマンティックギャップを橋渡しする拡張クエリを生成する。我々は、拡張クエリにおける推論情報を活用してより正確な検索を行うAlignRetrieverのトレーニングに強化学習を採用する。
論文参考訳（メタデータ） (2026-01-27T15:23:14Z)
Beyond Monolithic Architectures: A Multi-Agent Search and Knowledge Optimization Framework for Agentic Search [56.78490647843876]
エージェント検索は、大規模言語モデル(LLM)が推論とツールの使用をインターリーブできるようにすることによって、複雑な情報を探すための有望なパラダイムとして登場した。本稿では,bfM-ASKを提案する。bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK,bfM-ASK。
論文参考訳（メタデータ） (2026-01-08T08:13:27Z)
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)
Thinker: Training LLMs in Hierarchical Thinking for Deep Search via Multi-Turn Interaction [57.67217258741752]
Thinkerはマルチターンインタラクションによるディープ検索のための階層的思考モデルである。複素問題を独立に解ける部分確率に分解する。サブプロブレム間の依存関係は、これらの論理関数を介してパラメータとして渡される。
論文参考訳（メタデータ） (2025-11-11T07:48:45Z)
SWE-QA: Can Language Models Answer Repository-level Code Questions? [23.0514975768053]
SWE-QAは、現実的なコード環境における自動QAシステムの研究を容易にするために設計された、リポジトリレベルのコード質問応答(QA)ベンチマークである。 SWE-QAは、意図的理解、クロスファイル推論、マルチホップ依存分析など、さまざまなカテゴリにまたがる576の高品質な質問応答ペアを含んでいる。エージェントフレームワークであるSWE-QA-Agentを開発した。
論文参考訳（メタデータ） (2025-09-18T05:25:32Z)
DeepSieve: Information Sieving via LLM-as-a-Knowledge-Router [57.28685457991806]
DeepSieveはエージェントRAGフレームワークで、LLM-as-a-knowledge-routerを介して情報を収集する。我々の設計はモジュール性、透明性、適応性を重視しており、エージェントシステム設計の最近の進歩を活用している。
論文参考訳（メタデータ） (2025-07-29T17:55:23Z)
CoReQA: Uncovering Potentials of Language Models in Code Repository Question Answering [12.431784613373523]
Code Repositoryレベルの質問応答のベンチマークであるCoReQAを紹介する。 CoReQAはGitHubのイシューと4つのプログラミング言語にまたがる176の人気のあるリポジトリからのコメントから構築された。我々は、現在最先端のプロプライエタリおよび長期コンテキストモデルがリポジトリレベルの問題に効果的に取り組むのに苦労していることを示します。
論文参考訳（メタデータ） (2025-01-07T00:24:07Z)
Alibaba LingmaAgent: Improving Automated Issue Resolution via Comprehensive Repository Exploration [64.19431011897515]
本稿では,問題解決のためにソフトウェアリポジトリ全体を包括的に理解し,活用するために設計された,新しいソフトウェアエンジニアリング手法であるAlibaba LingmaAgentを提案する。提案手法では,重要なリポジトリ情報を知識グラフに凝縮し,複雑さを低減し,モンテカルロ木探索に基づく戦略を採用する。 Alibaba Cloudの製品展開と評価において、LingmaAgentは、開発エンジニアが直面した社内問題の16.9%を自動で解決し、手作業による介入で43.3%の問題を解決した。
論文参考訳（メタデータ） (2024-06-03T15:20:06Z)

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。