論文の概要: Legacy System Modernization with Coding Agents: A Case Study
- arxiv url: http://arxiv.org/abs/2608.28972v1
- Date: Sat, 29 Aug 2026 00:50:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 13:08:15.633455
- Title: Legacy System Modernization with Coding Agents: A Case Study
- Title（参考訳）: コーディングエージェントを用いたレガシーシステムの近代化 : 事例研究
- Abstract要約: 我々は,レガシシステムの現代プラットフォームへの移行を支援するために,AI符号化エージェントの有効性と効率を評価する。
Visual Basic 6で書かれた企業ERPシステムから、単一世代戦略の下でC#.NET 10に、それぞれ異なる複雑性レベルの12の機能を移行しました。
我々は、この移行戦略がより効果的である現実的なシナリオと状況を明らかにし、レガシーシステムの近代化にAIエージェントを使用することの限界と課題について議論する。
- 参考スコア（独自算出の注目度）: 0.7499722271664143
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Legacy systems built on discontinued platforms are a recurring technological liability in organizations that depend on these applications to sustain critical business processes. Although modernization is strategically necessary, it is costly and error-prone when performed exclusively through manual effort. In this paper, we report on a case study conducted in a real industrial setting, where we evaluate both the effectiveness and efficiency of AI coding agents in supporting the migration of legacy systems to modern platforms. By using one version of Claude Code agent, we migrated 12 features of distinct complexity levels from a corporate ERP system written in Visual Basic 6 to C# .NET 10 under a single-generation strategy. Once the migration sessions were completed, we measured the equivalence of the migrated features against the original ones, and collected data about the time spent and the number of tokens consumed by the agent during the process. In our experiment, the agent achieved an average equivalence of 70%, with a strong asymmetry across complexity levels; low-level features achieved 92%, and high-complexity ones scored 47%. Similar asymmetry was observed in the cost-based metrics; low-level features consumed 1.47M tokens ($1.66), whereas high-level ones used 9.09M ($10.28). We reveal the practical scenarios and circumstances where this migration strategy is more effective, as well as discuss the limitations and challenges of using AI agents for legacy system modernization.
- Abstract（参考訳）: 廃止されたプラットフォーム上に構築されたレガシーシステムは、重要なビジネスプロセスを維持するためにこれらのアプリケーションに依存する組織において、技術的負債が繰り返されている。
近代化は戦略的に必要だが、手作業のみで行うとコストがかかりエラーが発生しやすい。
本稿では,レガシシステムの現代プラットフォームへの移行を支援するために,AI符号化エージェントの有効性と効率を両立させる実産業環境で実施した事例について報告する。
Claude Codeエージェントの1バージョンを使用することで、Visual Basic 6で書かれた企業ERPシステムからC#に、異なる複雑性レベルの12の機能を移行しました。
NET 10は、単一世代戦略の下で開発されている。
移行セッションが完了すると、移行した機能と元の機能との等価性を測定し、プロセス中に時間とエージェントが消費するトークンの数に関するデータを収集しました。
実験の結果, エージェントの平均等価度は70%であり, 複雑性レベルにわたって強い非対称性を示し, 低レベル特徴は92%, 高複雑さ特性は47%であった。
同様の非対称性はコストベースで観測され、低レベルの特徴は1.47Mトークン(1.66ドル)を消費し、高レベルのものは9.09M(10.28ドル)を使用した。
我々は、この移行戦略がより効果的である現実的なシナリオと状況を明らかにし、レガシーシステムの近代化にAIエージェントを使用することの限界と課題について議論する。
関連論文リスト
- KC-Agent: A Dual-Process Cognitive Architecture for Efficient ML Model Improvement [2.716039597401137]
データドリフトは、本番環境での機械学習システムにとって大きな課題となる。
自動MLモデル改善のための2プロセス認知アーキテクチャであるKC-Agentを提案する。
実世界のNASAターボファンデータを含む5つのデータセットについて評価を行った。
論文 参考訳（メタデータ） (2026-08-03T15:03:35Z) - Learning from Failure: Inference-Time Self-Improvement for Computer-Use Agents [80.03824805228719]
コンピュータ利用エージェントを開発する上での大きな課題は、大規模で高品質な軌道を収集することである。
我々は、失敗した軌道をエージェント改善に変換するデータ中心のパラダイムを提案する。
この手法をOSWorldベンチマーク上で,最先端のOpenCUA-72Bモデルを用いて検証する。
論文 参考訳（メタデータ） (2026-06-30T07:44:37Z) - LoCoBench-Agent: An Interactive Benchmark for LLM Agents in Long-Context Software Engineering [90.84806758077536]
textbfLoCoBench-Agentは,大規模言語モデル(LLM)エージェントを現実的,長期的ソフトウェア工学で評価するための総合的な評価フレームワークである。
我々のフレームワークは、LoCoBenchの8000のシナリオを対話型エージェント環境に拡張し、マルチターン会話の体系的評価を可能にする。
我々のフレームワークは,8つの特殊なツール(ファイル操作,検索,コード解析)をエージェントに提供し,それを10Kから1Mトークンの範囲で評価する。
論文 参考訳（メタデータ） (2025-11-17T23:57:24Z) - Using Copilot Agent Mode to Automate Library Migration: A Quantitative Assessment [0.5735035463793009]
ソフトウェアシステムを最新の状態に保つことは、技術的負債、セキュリティ上の脆弱性、そしてレガシーシステムの典型的な剛性を避けるために不可欠である。
大規模言語モデル(LLM)やエージェントプログラミングシステムの最近の進歩は、そのような保守作業を自動化する新しい機会を提供する。
論文 参考訳（メタデータ） (2025-10-30T17:05:13Z) - MM-HELIX: Boosting Multimodal Long-Chain Reflective Reasoning with Holistic Platform and Adaptive Hybrid Policy Optimization [103.74675519953898]
ロングチェーンのリフレクティブ推論は、複雑な現実世界の問題を解決するための前提条件である。
我々は42の難解な合成タスクの1,260のサンプルからなるベンチマークを構築した。
トレーニング後のデータを生成し、そのようなデータを活用するための学習パラダイムを探索する。
論文 参考訳（メタデータ） (2025-10-09T17:53:58Z) - FreshBrew: A Benchmark for Evaluating AI Agents on Java Code Migration [2.981397088242044]
我々は、プロジェクトレベルのJavaマイグレーションでAIエージェントを評価するための新しいベンチマークであるFreshBrewを紹介する。
我々は、いくつかの最先端のLCMをベンチマークし、それらの性能を既存のルールベースのツールと比較する。
228リポジトリのこのベンチマークにおけるAIエージェントの評価は、最高のパフォーマンスモデルである2.5 Gemini Flashがプロジェクトの52.3%を17.5%に移行できることを示している。
論文 参考訳（メタデータ） (2025-10-06T14:39:58Z) - AgenTracer: Who Is Inducing Failure in the LLM Agentic Systems? [71.21547572568655]
AgenTracer-8Bは、マルチグラニュラ強化学習で訓練された軽量障害トレーサである。
Who&Whenベンチマークでは、AgenTracer-8BはGemini-2.5-ProやClaude-4-Sonnetのような巨大なLLMを最大18.18%上回っている。
AgenTracer-8BはMetaGPTやMAASのような市販のマルチエージェントシステムに4.8-14.2%の性能向上をもたらす。
論文 参考訳（メタデータ） (2025-09-03T13:42:14Z) - Automatic Evaluation for Text-to-image Generation: Task-decomposed Framework, Distilled Training, and Meta-evaluation Benchmark [62.58869921806019]
GPT-4oに基づくタスク分解評価フレームワークを提案し、新しいトレーニングデータセットを自動構築する。
我々は、GPT-4oの評価能力を7BオープンソースMLLM、MiniCPM-V-2.6に効果的に蒸留するための革新的なトレーニング戦略を設計する。
実験結果から,我々の蒸留したオープンソースMLLMは,現在のGPT-4oベースラインよりも有意に優れていた。
論文 参考訳（メタデータ） (2024-11-23T08:06:06Z) - Agent Q: Advanced Reasoning and Learning for Autonomous AI Agents [44.34340798542]
大きな言語モデル(LLM)は、複雑な推論を必要とする自然言語タスクにおいて顕著な能力を示している。
静的データセットに対する従来の教師付き事前トレーニングは、自律的なエージェント機能を実現するには不十分である。
本稿では,モンテカルロ木探索(MCTS)を自己批判機構と組み合わせ,エージェント間相互作用を反復的に微調整するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T20:52:13Z) - DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。
開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。
デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
論文 参考訳（メタデータ） (2024-02-27T12:26:07Z)
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。