論文の概要: Analyzing and Mitigating Cost-Inefficient Behaviors in Coding Agents
- arxiv url: http://arxiv.org/abs/2609.30725v2
- Date: Mon, 28 Sep 2026 02:40:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-29 21:31:51.815966
- Title: Analyzing and Mitigating Cost-Inefficient Behaviors in Coding Agents
- Title（参考訳）: 符号化剤のコスト非効率挙動の解析と緩和
- Abstract要約: 我々はClaude CodeとMini-SWE-Agentから1200のトラジェクトリを解析した。
提案手法は,推定検索,類似スクリプト生成,テスト再実行の3つのコスト非効率動作を同定する。
次に,構造認識検索,エージェント合成スキル,開発者設計スキルの3つの緩和戦略を評価する。
- 参考スコア（独自算出の注目度）: 14.861968433466316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although effective, coding agents often incur substantial monetary costs. Their recurring cost-inefficient behaviors remain underexplored. We conduct the first study of behavioral cost inefficiencies in coding agents, analyzing 1,200 trajectories from Claude Code and Mini-SWE-Agent across four configurations on SWE-bench Verified. We identify three cost-inefficient behaviors: subsumed retrieval, similar script generation, and test re-execution. We then evaluate three mitigation strategies: structure-aware retrieval, agent-synthesized skills, and developer-designed skills, over 10k trajectories on held-out SWE-bench Verified and Pro tasks. Our main findings are: (1) The three behaviors affect 79.00%--98.00% of coding tasks and account for up to 22.75% of task cost. (2) Structure-aware retrieval can introduce retrieval overhead and alter agent delegation, causing inconsistent improvements in retrieval efficiency and cost increases of up to 28.14%. (3) Agent-synthesized skills tend to produce low-level, trace-specific guidance, limiting their effectiveness and generality. (4) In contrast, developer-designed skills provide high-level, trace-agnostic guidance, reducing cost by up to 41.73%, roughly twice the maximum gain from agent-synthesized skills.
- Abstract（参考訳）: 効果的なコーディングエージェントは、しばしば相当な金銭的コストを発生させる。
繰り返し発生するコスト非効率な行動は、まだ解明されていない。
SWE-bench Verifiedの4つの構成にまたがって、Claude CodeとMini-SWE-Agentの1200のトラジェクトリを解析し、コーディングエージェントの動作コスト非効率の最初の研究を行う。
提案手法は,推定検索,類似スクリプト生成,テスト再実行の3つのコスト非効率動作を同定する。
次に、構造認識検索、エージェント合成スキル、開発者設計スキルの3つの緩和戦略の評価を行った。
1) コーディング作業の79.00%--98.00%に影響を及ぼし,タスクコストの最大22.75%を占める。
2) 構造対応検索は, 検索オーバーヘッドを導入し, エージェントデリゲートを変更でき, 検索効率とコストの最大28.14%の上昇が相容れない。
(3) エージェント合成スキルは,低レベルかつトレース特異的なガイダンスを生み出す傾向があり,その効果と汎用性は制限される。
(4) 開発者設計のスキルは、高いレベルのトレース非依存のガイダンスを提供し、コストを最大41.73%削減し、エージェント合成スキルの最大利得の約2倍に削減する。
関連論文リスト
- Demystifying Agent Skills for Smart Contract Auditing: Design, Effectiveness, Behavioral Impact [13.707057049430475]
LLMエージェント、特にClaude CodeとOpenAI Codexは、コーディングエージェント以外の汎用ツールとして登場している。
今のところ、そのようなスキルがどのように設計されているか、それが実際にエージェントの有効性や行動に与える影響についてはほとんど分かっていない。
論文 参考訳（メタデータ） (2026-09-24T12:09:55Z) - EarlyEval: Cheaper Agent Evaluation via Early Outcome Prediction [14.50182233464472]
我々は,各タスクのコストを削減するために,効率の相補軸である早期結果予測を導入する。
EarlyEvalはエージェントステップの13%-26%、入力トークン44.1%、出力トークン29.4%を89%～97%の精度で除去できる。
論文 参考訳（メタデータ） (2026-09-02T16:15:18Z) - To Run or Not to Run: Analyzing the Cost-Effectiveness of Code Execution in LLM-Based Program Repair [18.653708704742353]
実行には時間がかかり費用もかかるが、プログラム修復エージェントへの影響は未調査のままである。
コード実行は分析されたすべてのエージェントとモデルで使用され、タスク毎に平均8.8のテスト実行が実行される。
現在のエージェントは実行を無差別に適用し、ほとんど利益が得られないインスタンスにコストを支払う。
論文 参考訳（メタデータ） (2026-06-25T12:49:59Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - DEPO: Dual-Efficiency Preference Optimization for LLM Agents [75.6723341304463]
本稿では、簡潔な応答とアクションステップの低減を両立させる二重効率優先最適化手法DEPOを提案する。
WebShopとBabyAIの実験によると、DECOはトークンの使用量を最大60.9%削減し、ステップを最大26.9%削減し、パフォーマンスは最大29.3%向上した。
論文 参考訳（メタデータ） (2025-11-19T12:38:43Z) - Improving the Efficiency of LLM Agent Systems through Trajectory Reduction [6.087402350213508]
本稿では,エージェントのコスト削減のための推定時間トラジェクトリ削減手法を提案する。
AgentDietは入力トークンを39.9% 59.7%、最終計算コストを21.1% 35.9%削減し、同じエージェント性能を維持することができる。
論文 参考訳（メタデータ） (2025-09-28T02:43:41Z) - Efficient Agents: Building Effective Agents While Reducing Cost [48.65558640786415]
LLM(Large Language Model)によるエージェントは、複雑なマルチステップタスクに対処するための高度なシステムを実現する。
この研究は、現代のエージェントシステムにおける効率効率性トレードオフに関する最初の体系的研究である。
論文 参考訳（メタデータ） (2025-07-24T17:56:51Z) - AgentSwift: Efficient LLM Agent Design via Value-guided Hierarchical Search [58.98450205734779]
大規模言語モデル(LLM)エージェントは、多様なドメインにまたがる強力な機能を示している。
既存のエージェントサーチ手法には3つの大きな制限がある。
これらの課題に対処するための包括的なフレームワークを導入します。
論文 参考訳（メタデータ） (2025-06-06T12:07:23Z) - On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。
不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。
本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
論文 参考訳（メタデータ） (2024-08-02T03:25:20Z)
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。