論文の概要: Recovering Software Architecture Intent from Historical Work Items using Generative AI: A Mixed-Methods Industry Case Study
- arxiv url: http://arxiv.org/abs/2608.28403v1
- Date: Fri, 28 Aug 2026 14:56:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 17:16:04.371919
- Title: Recovering Software Architecture Intent from Historical Work Items using Generative AI: A Mixed-Methods Industry Case Study
- Title（参考訳）: 生成AIを用いた歴史的作業項目からのソフトウェアアーキテクチャインテントの復元--混合手法産業事例研究
- Abstract要約: LLMベースのパイプラインを使用して、歴史的なアジャイル作業項目からC4アーキテクチャ図を復元する。
半自動5ステップワークフローでは、プロンプトチェーン、双方向トレーサビリティ、チェーン・オブ・ソート推論が採用されている。
提案したワークフローは,開発プロセスの成果物に基づくLLM支援アーキテクチャ回復の実現可能性を示すものである。
- 参考スコア（独自算出の注目度）: 2.5501791028999583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software architecture is often only partially captured in code, while much of the design intent lives in evolving project artifacts. In agile projects, work items, user stories, and related tracking documents preserve valuable traces of that intent, but they rarely support direct architectural analysis. This work investigates the recovery of C4 architecture diagrams from historical agile work items using an LLM-based pipeline. The semi-automatic five-step workflow employs a prompt chain, bidirectional traceability, and Chain-of-Thought reasoning to transform unstructured Azure DevOps work items into visual artifacts. Evaluated on two industry projects, we use a mixed-methods design combining qualitative expert interviews with a quantitative stability analysis. Practitioners perceive the generated architectural baselines as accurate and highly useful for system comprehension. Strictly bound by their input data, the artifacts mirror the documented intent, thereby surfacing discrepancies and architectural drift when compared to the implemented reality. Quantitatively, the workflow exhibits high stability for architectural entities but lower stability for their relationships, with relative variance compounding across generation steps. The proposed workflow demonstrates the practical viability of LLM-assisted architectural recovery based on development process artifacts.
- Abstract（参考訳）: ソフトウェアアーキテクチャはコードで部分的にキャプチャされることが多いが、設計意図の多くはプロジェクトのアーティファクトの進化に費やされている。
アジャイルプロジェクトでは、作業項目、ユーザストーリ、関連するトラッキングドキュメントは、その意図の貴重な痕跡を保存しますが、直接アーキテクチャ分析をサポートすることはめったにありません。
LLMベースのパイプラインを使用して、歴史的なアジャイル作業項目からC4アーキテクチャ図を復元する。
半自動5ステップワークフローでは、プロンプトチェーン、双方向トレーサビリティ、Chain-of-Thought推論を使用して、非構造化のAzure DevOpsワークロードを視覚的なアーティファクトに変換する。
2つの産業プロジェクトから評価し,質的な専門家インタビューと定量的安定性分析を組み合わせた混合メソッド設計を用いる。
実践者は、生成したアーキテクチャのベースラインを、システム理解にとって正確かつ非常に有用なものとして認識する。
入力データによって厳密に束縛されたアーティファクトは、文書化された意図を反映し、実装された現実と比較した場合の相違やアーキテクチャ上のドリフトを克服する。
定量的には、ワークフローは、アーキテクチャエンティティに対して高い安定性を示すが、それらの関係に対してより低い安定性を示す。
提案するワークフローは,開発プロセスの成果物に基づくLLM支援アーキテクチャ回復の実現可能性を示すものである。
関連論文リスト
- Knowledge-Centric Agents for Workflow Generation [73.4340391112949]
複数の抽象化レベルにわたる知識を逆転させ、注入し、推論することを学ぶ知識中心のフレームワークを提案する。
提案手法は,ノードの多様性,コヒーレントな構造,既存システムよりも高い実行成功率で生成する。
論文 参考訳（メタデータ） (2026-07-17T11:03:01Z) - Benchmarking Requirement-to-Architecture Generation with Hybrid Evaluation [8.867061253116367]
大規模言語モデル(LLM)は、ソフトウェアエンジニアリングタスクの自動化において大きな可能性を証明している。
要件文書からソフトウェアアーキテクチャ設計を生成することは、ソフトウェア開発における重要なステップである。
R2ABenchは、さまざまな現実世界のソフトウェアプロジェクトと、包括的製品要求文書(PRD)と専門家による参照図を組み合わせた、新しいベンチマークである。
論文 参考訳（メタデータ） (2026-04-08T04:58:36Z) - LLM-based Automated Architecture View Generation: Where Are We Now? [0.0]
ソースコードからアーキテクチャビューを生成するLLMとエージェントアプローチの能力を評価する。
ゼロショットのプロンプトはゼロショットのベースラインに比べて、クリアリティの失敗を9.2%削減する。
カスタムエージェントアプローチは、汎用エージェントよりも一貫して優れています。
論文 参考訳（メタデータ） (2026-03-22T11:41:37Z) - Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - Towards Agentic Intelligence for Materials Science [73.4576385477731]
この調査は、コーパスキュレーションからプレトレーニングから、シミュレーションと実験プラットフォームに面した目標条件付きエージェントまで、ユニークなパイプライン中心の視点を推し進める。
コミュニティをブリッジし、参照の共有フレームを確立するために、まず、AIと材料科学をまたいだ用語、評価、ワークフローの段階を整列する統合レンズを提示する。
論文 参考訳（メタデータ） (2026-01-29T23:48:43Z) - ArchAgent: Scalable Legacy Software Architecture Recovery with LLMs [44.137226823695066]
ArchAgentはスケーラブルなエージェントベースのフレームワークで、静的解析、適応コードセグメンテーション、LLMによる合成を組み合わせている。
クロスリポジトリから、マルチビューでビジネスに整合したアーキテクチャを再構築する。
ArchAgentは、コンテキストプルーニングによるスケーラブルなダイアグラム生成を導入し、クロスリポジトリデータを統合して、ビジネスクリティカルなモジュールを識別する。
論文 参考訳（メタデータ） (2026-01-19T12:39:05Z) - Beyond Greenfield: The D3 Framework for AI-Driven Productivity in Brownfield Engineering [0.0]
レガシーシステム、不完全なドキュメンテーション、断片化されたアーキテクチャ知識を含むブラウンフィールドのエンジニアリング作業は、大きな言語モデル(LLM)を効果的に活用するためにユニークな課題を提起する。
本稿では、役割分離型プロンプト戦略と、ブラウンフィールドシステムのあいまいさをナビゲートするためのベストプラクティスを組み合わせた、規律付きLLM支援ワークフローであるDiscover-Define-Deliver(D3)フレームワークを紹介する。
回答者は、明確さ、品質、ドキュメント、認知的負荷の改善と、自己見積の生産性の向上を報告した。
論文 参考訳（メタデータ） (2025-12-01T00:26:41Z) - Evaluating Large Language Models for Real-World Engineering Tasks [75.97299249823972]
本稿では,実運用指向のエンジニアリングシナリオから得られた100以上の質問をキュレートしたデータベースを提案する。
このデータセットを用いて、4つの最先端の大規模言語モデル(LLM)を評価する。
以上の結果から,LLMは時間的および構造的推論において強みを示すが,抽象的推論や形式的モデリング,文脈に敏感な工学的論理にはかなり苦労することがわかった。
論文 参考訳（メタデータ） (2025-05-12T14:05:23Z) - Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。
PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。
次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
論文 参考訳（メタデータ） (2025-04-24T01:57:01Z)
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。