論文の概要: Orchestrating AI-Assisted Code Remediation: Socio-Technical Bottlenecks in a Large Industrial Repository

• arxiv url: http://arxiv.org/abs/2609.29172v2
• Date: Fri, 25 Sep 2026 12:03:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.050284
• Title: Orchestrating AI-Assisted Code Remediation: Socio-Technical Bottlenecks in a Large Industrial Repository
• Title（参考訳）: 大規模産業用レポジトリにおけるAI支援コード修復のオーケストレーション
• Abstract要約: LLMベースのコーディングアシスタントは、大規模に機械的編集を行うことができるが、産業的修復への影響は過小評価されている。 大規模産業リポジトリにおいて,AIによるコード修復が継続的インテグレーション(CI),コードレビュー,チーム調整に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 1.4919265782109654
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Background: Code degradation in large, long-lived codebases is costly to remediate through manual refactoring and opportunistic clean-ups. LLM-based coding assistants can perform mechanical remediation at scale, but their impact on industrial workflows is underexplored. Objective: We investigate how massive AI-assisted code remediation affects build-on-commit continuous integration (CI), code review, and team coordination in a large industrial repository, and which socio-technical bottlenecks constrain such remediation when source editing becomes cheap through AI assistance. Method: We report on a 15-day exploratory single-case field study in which an experienced developer used a command-line AI coding buddy to remediate widespread issues in a closed-source industrial C++ repository. We triangulate Gerrit metadata with a developer diary and team chat, analyzed through descriptive statistics and qualitative coding. Results: AI-assisted remediation rapidly generated hundreds of commits touching thousands of lines, saturating CI and reviewer attention. Naïve per-file commits overloaded build-on-commit CI; Switching to directory-based batching and capping the number of files per change restored throughput, but still required explicit review solicitation, negotiation of acceptable commit granularity, and iterative follow-up to resolve build and static-analysis failures. Conclusion: When mechanical editing is cheap, CI capacity, review effort, and change orchestration become primary bottlenecks. Sustainable AI-assisted remediation in very large repositories requires deliberate control of commit, review, and CI batch granularity and treating semantic change sets, such as ``fix all instances of warning X'', as first-class units of work that can be sliced differently for developers, reviewers, and CI.
• Abstract（参考訳）: 背景: 大規模な長寿命コードベースにおけるコードの劣化は、手作業によるリファクタリングと機会主義的なクリーンアップを通じて、対処するのにコストがかかります。 LLMベースのコーディングアシスタントは、大規模に機械的修復を行うことができるが、産業ワークフローへの影響は過小評価されている。 目的: 大規模なAI支援コード修復が大規模産業リポジトリにおけるビルド・オン・コミット・継続的インテグレーション(CI)、コードレビュー、チームのコーディネーションにどのように影響するかを検討する。 方法: 経験豊富な開発者がコマンドラインAIコーディングの仲間を使って, クローズドソースの産業用C++レポジトリで広範な問題を修復する15日間の単ケースフィールドスタディについて報告する。 我々はGerritメタデータを開発者日記とチームチャットで三角測量し、記述統計と定性的なコーディングを通して分析した。 結果: AI支援による修復は、急速に数百のコミットが数千行に触れ、CIとレビュアーの注意を飽和させました。 ディレクトリベースのバッチ処理に切り替え、変更毎のファイル数が復元されるが、それでも明示的なレビューソリケーション、許容されるコミットの粒度の交渉、ビルドと静的分析の失敗を解決するための反復的なフォローアップが必要である。 結論: 機械的な編集が安くなったら、CIのキャパシティ、レビューの取り組み、変更のオーケストレーションが主要なボトルネックになります。 非常に大規模なリポジトリにおける持続可能なAI支援の修復には、コミット、レビュー、CIバッチの粒度を意図的に制御し、開発者、レビュアー、CIのために異なる方法でスライス可能な第1級の作業単位として‘``警告X'のすべてのインスタンスを修正する’といったセマンティックな変更セットを扱う必要がある。

関連論文リスト

• TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization [57.14479960309637]
  コーディングエージェントは、多くの下流タスクでコード生成を加速するためにますます使われています。 その価値にもかかわらず、エージェント生成コードは、対応する人間による実装よりも大きく、冗長である傾向がある。 原因はエージェント自身の検索プロセスにあることを示す。
  論文  参考訳（メタデータ） (2026-07-20T17:06:19Z)
• Cheap Code, Costly Judgment: A Case Study on Governable Agentic Software Engineering [8.368707686524482]
  エンジニアがアーキテクチャ、ツール、エビデンス、フィードバックループを整理して、AIによる開発が検査可能で、修正可能で、メンテナンス可能であるようにする方法を研究します。 プロセスモデルとして表現されたガバナンス変換の理論を開発し,高速度エージェントの実装がいかに制御可能かを説明する。
  論文  参考訳（メタデータ） (2026-07-01T15:44:15Z)
• Agentic Agile-V: From Vibe Coding to Verified Engineering in Software and Hardware Development [0.0]
  エージェントAIコーディングシステムは、リポジトリを検査し、実装手順を計画し、ファイルを編集し、テストを実行し、プルリクエストを送信できる。 現在の証拠は、自律的なコード生成がエンジニアリングの結果を自動的に改善するという単純な主張を支持していない。 この論文は、中心的な問題は、もはや迅速なエンジニアリングではなく、エンジニアリングプロセスの制御である、と論じている。
  論文  参考訳（メタデータ） (2026-05-19T20:10:13Z)
• FastCode: Fast and Cost-Efficient Code Understanding and Reasoning [32.264145740214616]
  リポジトリスケールのコード推論は、現代のAI支援ソフトウェアエンジニアリングの基盤である。 FastCodeは、コンテンツ消費からリポジトリの探索を分離するフレームワークである。
  論文  参考訳（メタデータ） (2026-03-01T09:41:15Z)
• CoDA: Agentic Systems for Collaborative Data Visualization [57.270599188947294]
  深層研究はデータ分析に革命をもたらしたが、データサイエンティストは依然として手作業による視覚化にかなりの時間を費やしている。 単純なシングルエージェントシステムやマルチエージェントシステムを含む既存のアプローチは、しばしばタスクを単純化する。 本稿では,メタデータ分析,タスク計画,コード生成,自己回帰に特殊なLLMエージェントを利用するマルチエージェントシステムであるCoDAを紹介する。
  論文  参考訳（メタデータ） (2025-10-03T17:30:16Z)
• When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
  我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。 タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
  論文  参考訳（メタデータ） (2025-02-21T02:24:43Z)
• Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
  Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。 Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
  論文  参考訳（メタデータ） (2024-10-02T09:11:10Z)
• Detecting Continuous Integration Skip : A Reinforcement Learning-based Approach [0.4297070083645049]
  継続的統合(CI)プラクティスは、自動ビルドとテストプロセスを採用することで、コード変更のシームレスな統合を促進する。 Travis CIやGitHub Actionsといった一部のフレームワークは、CIプロセスの簡素化と強化に大きく貢献している。 開発者はCI実行に適したコミットやスキップの候補としてコミットを正確にフラグ付けすることの難しさに悩まされ続けている。
  論文  参考訳（メタデータ） (2024-05-15T18:48:57Z)

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。