論文の概要: Continuous Autonomous Refactoring: A Research Roadmap for AI-Driven Code Quality Maintenance
- arxiv url: http://arxiv.org/abs/2609.01236v1
- Date: Tue, 01 Sep 2026 13:35:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.687213
- Title: Continuous Autonomous Refactoring: A Research Roadmap for AI-Driven Code Quality Maintenance
- Title（参考訳）: 継続的自律リファクタリング - AI駆動のコード品質維持のための研究ロードマップ
- Authors: Xin Sun, Daniel Ståhl, Kristian Sandahl, Christoph Kessler,
- Abstract要約: LLMベースのパイプラインは、時々手作業でのみ呼び出されるツールではなく、ソフトウェアメンテナンスの継続的コンポーネントである、と私たちは考えています。
このビジョンの下で、AIエージェントはソフトウェア品質の明示的で進化している概念に対して継続的に監視し、評価し、改善する。
- 参考スコア（独自算出の注目度）: 3.0540716731676625
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models have shown promising capabilities in code refactoring, but existing approaches remain limited to method-level tasks. In this paper, we envision LLM-based refactoring as a continuous component of software maintenance rather than a tool invoked only for occasional manual refactoring. Under this vision, AI agents continuously monitor, evaluate, and improve codebases against explicit and evolving notions of software quality. We present a roadmap organized around five dimensions: the multi-objective optimization problem, quality definition and evaluation, multi-timescale integration of heterogeneous signals, architecture and design pattern, and trust in autonomous refactoring. We further identify integration into continuous delivery pipelines and cost considerations as cross-cutting concerns. For each dimension, we analyze the underlying challenges and pose open research questions. These dimensions define a research agenda for advancing autonomous refactoring from isolated code improvements to system-level quality maintenance.
- Abstract（参考訳）: 大規模な言語モデルはコードリファクタリングにおいて有望な能力を示しているが、既存のアプローチは依然としてメソッドレベルのタスクに限られている。
本稿では,LLMをベースとしたリファクタリングを,時折手動リファクタリングのみを行うツールではなく,ソフトウェアメンテナンスの継続的コンポーネントとして想定する。
このビジョンの下で、AIエージェントは、ソフトウェア品質の明示的で進化している概念に対して、コードベースを継続的に監視し、評価し、改善します。
我々は,多目的最適化問題,品質定義と評価,異種信号のマルチスケール統合,アーキテクチャと設計パターン,自律的リファクタリングへの信頼という,5つの側面を包括したロードマップを提示する。
さらに、継続的デリバリパイプラインへの統合とコストの考慮を横断的な関心事としています。
各次元について、基礎となる課題を分析し、オープンな研究課題を提起する。
これらの次元は、独立したコード改善からシステムレベルの品質維持まで、自律的なリファクタリングを進めるための研究課題を定義します。
関連論文リスト
- From Metrics to Improvement: A Lifecycle-Aware LLM Feedback Framework for Research Software Quality [8.460186703921934]
研究ソフトウェアは、ソフトウェア工学の専門知識が限られている研究者によってしばしば開発される。
これは、メンテナンス性、再利用性、持続可能性を妨げる品質上の問題を引き起こす可能性がある。
本稿では,Large Language Model (LLM) に基づくコード修正と,定量的ソフトウェア品質評価を統合したライフサイクル認識フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-24T11:28:26Z) - AI-Generated Smells: An Analysis of Code and Architecture in LLM and Agent-Driven Development [1.980498913496519]
本稿では,AI生成ソフトウェアにおける技術的負債の体系的な監査について述べる。
AIは欠陥を排除せず、むしろ欠陥のマシンシグネチャを導入している。
将来的な進歩は、彼らが構築するソフトウェアが単に機能的であるだけでなく、メンテナンス可能であることを保証するために、明示的なアーキテクチャの展望を持つエージェントの装備に依存する、と結論付けています。
論文 参考訳（メタデータ） (2026-05-04T15:41:13Z) - 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) - Quality-Driven Agentic Reasoning for LLM-Assisted Software Design: Questions-of-Thoughts (QoT) as a Time-Series Self-QA Chain [0.0]
品質駆動型推論時間スキャフォールドであるQoTを導入し,ユーザ目標をエンジニアリングステップの順序付きシーケンスに変換する。
QoTは、API設計、データ通信、ファイルシステムの3つの代表的なバックエンドエンジニアリング領域にまたがって評価する。
論文 参考訳（メタデータ） (2026-03-10T23:49:09Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - CoRe: Benchmarking LLMs Code Reasoning Capabilities through Static Analysis Tasks [14.408364047538578]
大規模言語モデル(LLM)は、ソフトウェア工学の様々な領域で広く採用されている。
この研究は、基本的な静的解析タスク上でのLCMを評価するために設計されたベンチマークであるCOREを提示する。
論文 参考訳（メタデータ） (2025-07-03T01:35:58Z) - Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。
実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
論文 参考訳（メタデータ） (2025-05-28T17:57:47Z) - Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。
当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。
当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
論文 参考訳（メタデータ） (2025-03-31T07:31:32Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z)
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。