論文の概要: Unity Insight: A Production Code--Asset Index for LLM Coding Agents in Unity Projects

• arxiv url: http://arxiv.org/abs/2609.27585v1
• Date: Wed, 23 Sep 2026 09:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.962895
• Title: Unity Insight: A Production Code--Asset Index for LLM Coding Agents in Unity Projects
• Title（参考訳）: Unity Insight: ユニティプロジェクトにおけるLLMコーディングエージェントのコード-アセットインデックス
• Abstract要約: Unity Insightは、最初の永続的でLLM対応、エージェント統合されたクロスファイルコード-アセットインデックスである。 2つのUnityゲーム(同じモデルとハーネス)に関するプロジェクト固有の質問---28のペア実験で、インデックス支援エージェントは、汎用的な調査エージェントよりもトークンを53%削減し、ウォールクロック時間を52%削減した。
• 参考スコア（独自算出の注目度）: 11.094765097479938
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM coding agents increasingly operate inside game-engine repositories, where application logic is inseparable from serialized assets: a single gameplay change may span C\# scripts, prefabs, scenes, and ScriptableObjects wired together by Unity GUIDs. The retrieval tools agents carry today---shell utilities and code-only indexes---cannot answer basic cross-file questions, because these relationships live in \texttt{.meta} files and YAML assets rather than in code. We present Unity Insight, to our knowledge the first persistent, LLM-facing, agent-integrated cross-file code--asset index for Unity projects, shipping in production with Tuanjie Codely, the agent CLI of Tuanjie Engine, since its public launch on 2026-07-28. In a paired experiment---28 project-specific questions on two Unity games, same model and harness, one run per arm per question---the index-backed agent spent 53\% fewer tokens and 52\% less wall-clock time than a general-purpose exploration agent (exact paired sign tests, $p{<}0.004$), using only its typed index-query tools.
• Abstract（参考訳）: LLMコーディングエージェントはゲームエンジンリポジトリ内でますます運用され、アプリケーションロジックはシリアライズされたアセットとは分離できない。 検索ツールエージェントは今日、-シェルユーティリティとコードのみのインデックス------ ファイル間の基本的な質問に答えることはできない。 meta} コードではなくファイルとYAMLアセット。 私たちはUnity Insightを紹介します。2026-07-28に公開されて以来、Tuanjie EngineのエージェントCLIであるTuanjie Codelyとともに本番で出荷されるUnityプロジェクトの、最初の永続的でLLM対応、エージェント統合されたクロスファイルコード-アセスメントです。 2つのUnityゲームにおいて、--28のプロジェクト固有の質問--同じモデルとハーネス、1つの質問ごとに1つのアームを走らせる--インデックス支援エージェントは、タイプされたインデックスクエリツールのみを使用して、汎用的な探索エージェントよりも53\%のトークンと52\%のウォールクロック時間を消費した。

関連論文リスト

• ToFu: A White-Box, Token-Efficient Agent Harness for Researchers [73.72929185946842]
  ToFuは、ファイルを読み、ファイルを編集し、コマンドを実行し、開発ツールと統合する研究者のためのエージェントハーネスだ。 研究助手として、より優れたトークン効率、低コスト、多言語能力で実践的な研究を支援する。 研究対象として、ToFuはホワイトボックスのエージェントハーネスを提供しており、研究者はオーケストレーションロジック、ツール使用の振る舞い、デザインを検査、修正、評価することができる。
  論文  参考訳（メタデータ） (2026-07-13T11:26:06Z)
• WildClawBench: A Benchmark for Real-World, Long-Horizon Agent Evaluation [88.10947115397971]
  この研究でWildClawBenchは、6つのテーマのカテゴリにまたがる60の人間によるバイリンガルなマルチモーダルタスクのネイティブランタイムベンチマークである。 各タスクは、約8分間のウォールクロック時間と20以上のツールコールで実行されます。 グラディングはハイブリッドであり、決定論的ルールベースのチェック、副作用の環境状態監査、意味的検証のためのLLM/VLM判定を組み合わせている。
  論文  参考訳（メタデータ） (2026-05-11T17:49:43Z)
• AOCI: Symbolic-Semantic Indexing for Practical Repository-Scale Code Understanding with LLMs [6.837894695838593]
  本稿では, シンボリック・セマンティックなリポジトリ表現であるAOCIを紹介する。 AOCIインデックスは、コード単位ごとに1つのエントリを持つエントリが続くエンコーディングルールで構成されている。 AOCIはOracle上層部に次ぐ総合的精度で第2位である。
  論文  参考訳（メタデータ） (2026-05-04T10:13:36Z)
• CodexGraph: Bridging Large Language Models and Code Repositories via Code Graph Databases [13.733229886643041]
  大きな言語モデル(LLM)は、HumanEvalやMBPPのようなスタンドアロンのコードタスクに優れていますが、コードリポジトリ全体の処理に苦労しています。 類似性に基づく検索は複雑なタスクではリコールが低いことが多いが、手動ツールやAPIは通常タスク固有であり、専門家の知識を必要とする。 我々は,LLMエージェントをコードリポジトリから抽出したグラフデータベースインターフェースと統合するシステムであるCodexGraphを紹介する。
  論文  参考訳（メタデータ） (2024-08-07T17:13:59Z)
• GTA: A Benchmark for General Tool Agents [32.443456248222695]
  229個の実世界のタスクと実行可能なツールチェーンを設計し、主要な大言語モデル(LLM)を評価する。 GPT-4 はタスクの 50% 以下であり,ほとんどの LLM は 25% 以下である。 この評価は、現実シナリオにおける現在のLLMのツール利用能力のボトルネックを明らかにし、汎用ツールエージェントを前進させるための今後の方向性を提供する。
  論文  参考訳（メタデータ） (2024-07-11T17:50:09Z)
• CodeNav: Beyond tool-use to using real-world codebases with LLM agents [38.63753787418723]
  ユーザクエリを解決するために、これまで見つからなかったコードリポジトリをナビゲートし、活用するLLMエージェントであるCodeNavを提示する。 CodeNavは自動的にターゲットのコードブロックをインデックスし、検索する。 関連するコードスニペットを見つけ、インポートし、実行フィードバックを伴うソリューションを反復的に生成する。
  論文  参考訳（メタデータ） (2024-06-18T05:10:38Z)
• 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)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)

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。