論文の概要: Graph-Guided Repository Environment Construction

• arxiv url: http://arxiv.org/abs/2609.33429v1
• Date: Sun, 27 Sep 2026 10:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:57:23.31057
• Title: Graph-Guided Repository Environment Construction
• Title（参考訳）: グラフガイドによるレポジトリ環境構築
• Abstract要約: コーディングエージェントはますます、彼らのソリューションを検証するために実行に依存している。 既存のエージェントベースのアプローチは、反復的相互作用を通じてこの問題に対処する。 DepGraphを中心としたエージェントベースのアプローチであるGraph2Envを紹介する。
• 参考スコア（独自算出の注目度）: 9.808698134118147
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coding agents now increasingly rely on execution to validate their solutions, making the construction of reliable execution environments a critical enabling capability. However, repository environment construction is challenging because execution requirements are fragmented across repository artifacts and may only become apparent during execution. Existing agent-based approaches address this problem through iterative interaction, but information about the current construction state, including discovered requirements, satisfied and unresolved prerequisites, and their dependencies, can remain distributed across the interaction history. We present Graph2Env, an agent-based approach centered on DepGraph, a typed dependency graph that explicitly represents the environment requirements needed for repository execution, their dependency relations, and their states. Graph2Env uses DepGraph to guide environment construction and continuously refines it with execution feedback, while persisting successful repairs into a replayable construction procedure. The resulting artifacts are then applied in a fresh environment to verify that the constructed environment can be reproduced. We evaluate Graph2Env on a benchmark of 200 Python repositories drawn from RATBench and EnvBench, against a static dependency-inference baseline (pipreqs), three specialized environment-construction systems (Repo2Run, RAT, and SetupX), and two general-purpose coding agents (SWE-agent and Claude Code). Graph2Env achieves an 81.0% Environment Build Success Rate (EBSR) and a 59.3% Environment Setup Success Rate (ESSR), outperforming the strongest baseline by 9.5 and 9.0 percentage points, respectively.
• Abstract（参考訳）: コーディングエージェントはますます、彼らのソリューションを検証するために実行に依存するようになり、信頼性の高い実行環境の構築が重要な機能になる。 しかし、リポジトリ環境の構築は、実行要件がリポジトリのアーティファクト間で断片化され、実行中にのみ明らかになるため、難しい。 既存のエージェントベースのアプローチは、反復的な相互作用を通じてこの問題に対処するが、発見された要求、未解決の前提条件、およびそれらの依存関係を含む現在の構築状態に関する情報は、相互作用履歴に分散し続けることができる。 DepGraphを中心としたエージェントベースのアプローチであるGraph2Envは、リポジトリの実行に必要な環境要件、依存関係の関係、およびそれらの状態を明確に表現する、型付き依存性グラフである。 Graph2Envは環境構築をガイドするためにDepGraphを使用しており、実行フィードバックで継続的に改善している。 得られた成果物を新鮮な環境に適用して、構築された環境が再生可能であることを確認する。 RATBenchとEnvBenchから引き出された200のPythonリポジトリのベンチマークで、静的な依存性推論ベースライン(pipreqs)、3つの特殊な環境構築システム(Repo2Run、RAT、SetupX)、および2つの汎用コーディングエージェント(SWE-agent、Clude Code)に対して、Graph2Envを評価した。 Graph2Envは81.0%の環境構築成功率(EBSR)と59.3%の環境設定成功率(ESSR)を達成し、それぞれ9.5ポイントと9.0ポイントで最強のベースラインを上回っている。

関連論文リスト

• Terminal-Universe: Turning Agent Trajectories into Scalable Terminal Environments [89.86581796261123]
  それぞれの軌道を再利用可能な環境に変えるためのフレームワークである Terminal-Universe を紹介する。 Terminal-Universeは、トラジェクトリに記録されたファイル操作をリプレイして、エージェントが変更する前に各ファイルを復元し、部分的なワークスペースを生成する。 また、タスクは幅と深さの2つの軸に沿ってスケールします。
  論文  参考訳（メタデータ） (2026-09-03T17:41:05Z)
• EnvHarness: Awakening Static Worlds for Agent Learning [58.54600450547412]
  Environment Harnessは静的な環境をラップして、基礎となるロジックを変更することなく振る舞いを再構築する。 EnvHarnessは様々な領域にまたがって適用され、すべての再形環境が元の検証元を保持する。 EnvRiggerはターゲットポリシーをブラックボックスとして扱い、その実行軌跡を観察して、診断された欠陥をターゲットとしたEnvHarnessコンポーネントを合成する。
  論文  参考訳（メタデータ） (2026-08-20T10:42:06Z)
• ClawEnvKit: Automatic Environment Generation for Claw-Like Agents [85.29126619772153]
  我々は、オンデマンドで検証された環境を生成することができる自動生成パイプラインであるClawEnvKitを紹介する。 ClawEnvKitは、(1)自然言語入力から構造化生成パラメータを抽出するパイプライン、(2)タスク仕様、ツールインターフェース、スコアリング設定を生成するジェネレータ、(3)実現可能性、多様性、構造的妥当性、内部整合性を強制するバリデータからなる。 爪のようなエージェントの大規模なベンチマークであるAuto-ClawEvalを構築し、24のカテゴリで1,040の環境を網羅した。
  論文  参考訳（メタデータ） (2026-04-20T17:36:49Z)
• Toward Executable Repository-Level Code Generation via Environment Alignment [9.29037042726132]
  EnvGraphはリポジトリレベルのコード生成のためのフレームワークで、環境アライメントの問題としてリポジトリの実行可能性を定義する。 継続的にリポジトリレベルのベンチマークで最高のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2026-04-04T07:37:55Z)
• Environment Maps: Structured Environmental Representations for Long-Horizon Agents [2.064612766965483]
  環境マップは、カスケードエラーと環境を緩和する永続的でエージェントに依存しない表現である。 環境地図を備えたエージェントは28.2%の成功率を達成する。 モデルと環境の間の構造化されたインターフェースを提供することにより、環境マップは長期計画のための永続的な基盤を確立する。
  論文  参考訳（メタデータ） (2026-03-24T18:00:56Z)
• HerAgent: Rethinking the Automated Environment Deployment via Hierarchical Test Pyramid [15.944450159856602]
  環境設定の成功は、単一のバイナリ信号ではなく、実行可能なエビデンスによって評価されるべきである。 本稿では,実行環境を段階的に構築する自動環境設定手法であるHerAgentを提案する。
  論文  参考訳（メタデータ） (2026-02-08T08:57:05Z)
• ABC-Bench: Benchmarking Agentic Backend Coding in Real-World Development [72.4729759618632]
  本稿では,現実的かつ実行可能なワークフロー内でエージェントバックエンドコーディングを評価するベンチマークであるABC-Benchを紹介する。 オープンソースリポジトリから8つの言語と19のフレームワークにまたがる224の実践的なタスクをキュレートしました。 我々の評価は、最先端モデルでさえ、これらの総合的なタスクに対して信頼性の高いパフォーマンスを提供するのに苦労していることを示している。
  論文  参考訳（メタデータ） (2026-01-16T08:23:52Z)
• Process-Level Trajectory Evaluation for Environment Configuration in Software Engineering Agents [71.85020581835042]
  大規模言語モデルベースのエージェントは、ソフトウェアエンジニアリングの約束を示すが、環境構成はボトルネックのままである。 既存のベンチマークでは、エンドツーエンドのビルド/テストの成功のみを評価し、エージェントが成功または失敗する場所と理由を見極めている。 本研究では,環境設定計画中の細粒度エージェントのプロセスレベルの軌道評価を行うEnconda-benchを紹介する。
  論文  参考訳（メタデータ） (2025-10-29T16:59:07Z)

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。