論文の概要: RepoNav: From Snippet Retrieval to File-Centered Repository Navigation for Code Agents

• arxiv url: http://arxiv.org/abs/2609.08355v1
• Date: Tue, 08 Sep 2026 07:25:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 16:48:08.810986
• Title: RepoNav: From Snippet Retrieval to File-Centered Repository Navigation for Code Agents
• Title（参考訳）: RepoNav: コードエージェントのスニペット検索からファイル中心リポジトリナビゲーションへ
• Abstract要約: RepoNavは、検索したスニペットをファイル中心のナビゲーションスニペットに再編成する軽量な検索後インターフェースである。 LocBenchのさまざまなモデル全体で、RepoNavは関数レベルのローカライゼーションを改善し、ファイル間のギャップを狭める。
• 参考スコア（独自算出の注目度）: 4.024282552053275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solving repository-level code tasks requires LLM-based agents to use code search tools to navigate large codebases and identify a small set of relevant files and functions. However, current retrieval tools typically return flat lists of isolated code snippets: such lists can surface relevant files, but provide insufficient structure for agents to distinguish the target function from semantically similar alternatives in the same file. We introduce RepoNav, a lightweight post-retrieval interface that reorganizes retrieved snippets into a file-centered navigation scaffold. By presenting compact structural cues and candidate targets, this scaffold guides on-demand file-structure browsing, helping agents compare sibling symbols before selecting a target function. Across diverse models on LocBench, RepoNav improves function-level localization and narrows the file-to-function gap. Controlled ablations demonstrate that these gains come from structured evidence organization rather than simply exposing additional file structure, and the approach also improves performance on a repository-level question-answering benchmark.
• Abstract（参考訳）: リポジトリレベルのコードタスクを解決するには、LLMベースのエージェントがコード検索ツールを使用して大規模なコードベースをナビゲートし、関連するファイルや関数の小さなセットを特定する必要がある。 しかしながら、現在の検索ツールは、通常、孤立したコードスニペットのフラットリストを返す:そのようなリストは、関連ファイルをサーフェスできるが、エージェントがターゲット関数と、同じファイルのセマンティックに類似した代替品を区別するのに不十分な構造を提供する。 RepoNavは、検索したスニペットをファイル中心のナビゲーションスキャフォールドに再編成する軽量な検索後インターフェースである。 この足場は、コンパクトな構造的キューと候補ターゲットを提示することにより、オンデマンドのファイル構造ブラウジングをガイドし、ターゲット関数を選択する前に、兄弟シンボルの比較を支援する。 LocBenchのさまざまなモデル全体で、RepoNavは関数レベルのローカライゼーションを改善し、ファイル間のギャップを狭める。 コントロールされた改善は、単に追加のファイル構造を公開するのではなく、構造化されたエビデンス組織から得られるものであり、このアプローチはリポジトリレベルの質問回答ベンチマークのパフォーマンスも改善することを示している。

関連論文リスト

• Filesystem-Based Memory for LLM Agents: Organization, Evolution, and Sustainability [49.415740364852105]
  デプロイされたエージェントは、エージェント自身がジェネリックファイルツールを通じて読み込み、書き込み、再編成するマークダウンファイルのディレクトリツリーとして、長期記憶をますます保持する。 以前のシステムではメモリ表現を設計し、それらを検索し、デフォルトの2つの動作仮定を未検証のまま残した。 LLMエージェントのためのチャンクベースメモリの最初の体系的探索を行う。
  論文  参考訳（メタデータ） (2026-07-29T08:59:43Z)
• CORE-Bench: A Comprehensive Benchmark for Code Retrieval in the Era of Agentic Coding [44.75033190929879]
  CORE-Benchはエージェントコーディングの時代におけるコード検索のベンチマークである。 コード理解、イシュー・ツー・エグゼクティブのローカライゼーション、より広いコンテキスト検索という3つのレベルで能力を評価する。 代表的な埋め込みモデルを用いた実験は、従来のコード検索からエージェント的なコーディング設定でのコード検索への急激な低下を示している。
  論文  参考訳（メタデータ） (2026-06-10T09:38:41Z)
• 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)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Don't Retrieve, Navigate: Distilling Enterprise Knowledge into Navigable Agent Skills for QA and RAG [7.558933130117637]
  Corpus2Skillはドキュメントコーパスを階層的なスキルディレクトリにオフラインで蒸留する。 コンパイルパイプラインは、文書を反復的にクラスタリングし、各レベルでLCMで書かれた要約を生成し、ナビゲート可能なスキルファイルのツリーとして結果を実体化する。 サービス時には、エージェントは、コーパスの鳥眼ビューを受け取り、徐々に細かな要約を通してトピックブランチにドリルし、IDによって全文書を検索する。
  論文  参考訳（メタデータ） (2026-04-16T03:05:37Z)
• Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents? [3.2610504259514754]
  実世界のタスクにコンテキストファイルが有効かどうかを検討する。 コンテクストファイルはリポジトリのコンテキストを提供しないのに比べてタスクの成功率を低下させる傾向がある。 我々は、コンテキストファイルからの不要な要求はタスクを難しくし、人間によるコンテキストファイルは最小限の要求だけを記述するべきであると結論付けている。
  論文  参考訳（メタデータ） (2026-02-12T14:15:22Z)
• DeepRead: Document Structure-Aware Reasoning to Enhance Agentic Search [23.447631421934847]
  DeepReadは、ドキュメントネイティブな構造的事前を動作可能な推論機能に運用するために設計された、構造対応のドキュメント推論エージェントである。 DeepReadは、従来の検索手法に固有のコンテキストの断片化を効果的に軽減する、人間のような位置読み取りの推論パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-02-04T20:03:28Z)
• 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)
• ReTreever: Tree-based Coarse-to-Fine Representations for Retrieval [64.44265315244579]
  そこで本研究では,様々なレベルで参照文書を整理し,表現するためのツリーベース手法を提案する。 我々の手法はReTreeverと呼ばれ、クエリと参照ドキュメントが同様のツリーブランチに割り当てられるように、バイナリツリーの内部ノード毎のルーティング関数を共同で学習する。 我々の評価では、ReTreeverは一般的に完全な表現精度を保っている。
  論文  参考訳（メタデータ） (2025-02-11T21:35:13Z)
• On The Importance of Reasoning for Context Retrieval in Repository-Level Code Editing [82.96523584351314]
  我々は、コンテキスト検索のタスクをリポジトリレベルのコード編集パイプラインの他のコンポーネントと分離する。 我々は、推論が収集された文脈の精度を向上させるのに役立っているが、それでもその十分性を識別する能力は欠如していると結論づける。
  論文  参考訳（メタデータ） (2024-06-06T19:44:17Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)

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。