論文の概要: Super Library Agent: Joint Generation and Maintenance of Multiple Applications Beyond the Single Codebase
- arxiv url: http://arxiv.org/abs/2608.29310v1
- Date: Sat, 29 Aug 2026 14:51:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.921746
- Title: Super Library Agent: Joint Generation and Maintenance of Multiple Applications Beyond the Single Codebase
- Title（参考訳）: Super Library Agent: 単一コードベースを越えた複数アプリケーションの共同生成とメンテナンス
- Abstract要約: エージェントが再利用可能なアプリケーションコンポーネントの共有スーパーライブラリを維持しながら,N関連アプリケーションのポートフォリオを逐次生成する,スーパーライブラリエージェント問題を導入する。
最小のシーケンシャルなスキャフォールドは、原則として共有コードを抽出し、アプリケーションを進化中のライブラリに移行することができるが、実際には、低いリコールリコールと脆弱な依存性のマイグレーションに悩まされている。
これらの障害には,コードチャンク要約上の候補誘導抽出,事前抽出統合,抽出トレースとコールグラフ情報を用いたコンテキスト認識マイグレーションなどを用いて対処する。
- 参考スコア（独自算出の注目度）: 41.45207081734839
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Organizations often develop and maintain portfolios of related applications: independently deployable codebases that share substantial domain logic, interface patterns, or operational conventions. As LLM coding agents are increasingly used to generate and maintain such software, a naive application-by-application workflow duplicates shared logic across codebases and allows prolonged agentic maintenance to accumulate verbosity, dead code, and structural erosion. We introduce the Super Library Agent problem, where an agent sequentially generates a portfolio of N related applications while maintaining a shared Super Library of reusable cross-application components. A minimal sequential scaffold can in principle extract shared code and migrate applications to the evolving library, but in practice suffers from low extraction recall and fragile dependency migration. We address these failures with candidate-guided extraction over code chunk summaries, pre-extraction codebase consolidation, and context-aware migration using extraction traces and call-graph information. Across WebGen-Bench and PaperBench, our method preserves application functionality while significantly reducing redundancy and token footprint (verbosity, token length) over zero-shot, and avoiding the structural erosion introduced by naive library construction, with additional reductions in LOC and MDL. Our code is available at https://github.com/sbigstar0310/super-library-agent.
- Abstract（参考訳）: ドメインロジックやインターフェースパターン、運用規約を共有する独立してデプロイ可能なコードベース。
LLMコーディングエージェントは、このようなソフトウェアの生成とメンテナンスにますます使われるようになっているため、アプリケーション・バイ・アプリケーション・ワークフローは、コードベース間で共有ロジックを複製し、冗長性、デッドコード、構造的浸食を蓄積するための長期間のエージェント保守を可能にする。
エージェントが再利用可能なアプリケーションコンポーネントの共有スーパーライブラリを維持しながら,N関連アプリケーションのポートフォリオを逐次生成する,スーパーライブラリエージェント問題を導入する。
最小のシーケンシャルなスキャフォールドは、原則として共有コードを抽出し、アプリケーションを進化中のライブラリに移行することができるが、実際には、低いリコールリコールと脆弱な依存性のマイグレーションに悩まされている。
これらの障害に対処するため,コードチャンク要約上の候補誘導抽出,事前抽出コードベースの統合,抽出トレースとコールグラフ情報を用いたコンテキスト対応マイグレーションを行う。
WebGen-Bench と PaperBench 全体では,ゼロショットでの冗長性とトークンフットプリント(バービシティ,トークン長)を大幅に削減し,単純ライブラリ構築による構造侵食を回避するとともに,LOC と MDL のさらなる削減を実現した。
私たちのコードはhttps://github.com/sbigstar0310/super-library-agent.comで利用可能です。
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) - CURATE: Leveraging LLM Agents to Compose, Catalog, and Deploy Reproducible Workflows [0.0]
既存のコーディングエージェントは主にコード生成に重点を置いており、デプロイメントや共有を含むワークフローライフサイクル全体に対処していない。
CURATE - composition, User-in-the-loop, Reuse, and Automated Task Execution - a novel human-in-the-loop multi-agent system。
論文 参考訳（メタデータ） (2026-08-04T23:01:29Z) - Effective and Efficient Context Retrieval via Partial Dependency Graph for Repository-Level Code Generation [8.490743624223972]
部分依存グラフを用いた効率的なコンテキスト検索手法であるDyRetrieverを提案する。
我々はDyRetrieverを類似性ベースのコードレトリバーと統合し、DyCoderを構築し、CoderEvalとDevEvalで評価する。
論文 参考訳（メタデータ） (2026-08-03T09:00:49Z) - Remember Your Trace: Memory-Guided Long-Horizon Agentic Framework for Consistent and Hierarchical Repository-Level Code Documentation [27.40384564559557]
我々は、リポジトリ全体にまたがる単一の統合コンテキスト内でドキュメントを生成するフレームワークであるMemDocAgentを提案する。
MemDocAgentは、オープンソースベースラインとクローズドソースベースラインの両方で最高のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-14T08:35:20Z) - LARGER: Lexically Anchored Repository Graph Exploration and Retrieval [9.90137784523552]
リポジトリレベルのコーディングエージェントは、まずタスクに関連するファイルとシンボルをローカライズする必要がある。
既存のアプローチでは、エージェントのインタラクションループを断片化する別々のグラフツールやステージが必要になることが多い。
LARGER(Lexically anchored active-set search framework)は、語彙マッチングから始まり、それらをグラフアンカーにアライメントし、エージェントの既存のサーチループ内で信頼フィルタリングされた局所展開を実行する。
論文 参考訳（メタデータ） (2026-05-08T05:03:46Z) - ToolRosetta: Bridging Open-Source Repositories and Large Language Model Agents through Automated Tool Standardization [51.92237664440418]
ToolRosettaは、オープンソースのコードリポジトリとAPIを自動的にMPP互換のツールに変換するフレームワークである。
ユーザタスクが与えられた場合、ToolRosettaはツールチェーンを自律的に計画し、関連するツールチェーンを特定し、実行可能なMPPサービスに変換する。
論文 参考訳（メタデータ） (2026-03-10T07:19:43Z) - Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond [13.550121154853715]
自然言語ではなく構造化コードとしてコードを扱う,リポジトリレベルのコード生成フレームワークであるHydraを紹介します。
我々はHydraがオープンソースおよびクローズドソースのCodeLLMにまたがって最先端のパフォーマンスを実現することを示す。
論文 参考訳（メタデータ） (2026-02-12T07:44:00Z) - 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) - Large Language Models are Good Relational Learners [55.40941576497973]
本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。
従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
論文 参考訳（メタデータ） (2025-06-06T04:07:55Z) - Executable Code Actions Elicit Better LLM Agents [76.95566120678787]
この研究は、Pythonコードを使用して、Large Language Model(LLM)エージェントのアクションを統一されたアクション空間(CodeAct)に統合することを提案する。
Pythonインタプリタと統合されたCodeActは、コードアクションを実行し、事前アクションを動的に修正したり、マルチターンインタラクションを通じて新しい観察に新しいアクションを発行することができる。
CodeActのパフォーマンス向上は、解釈可能なコードを実行し、自然言語を使ってユーザとコラボレーションすることで、環境と対話するオープンソースのLLMエージェントを構築する動機となります。
論文 参考訳（メタデータ） (2024-02-01T21:38:58Z)
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。