論文の概要: Self-Evolving Coding Rules for AI Coding Agents

• arxiv url: http://arxiv.org/abs/2610.00650v1
• Date: Wed, 30 Sep 2026 19:51:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.736381
• Title: Self-Evolving Coding Rules for AI Coding Agents
• Title（参考訳）: AI符号化エージェントの自己進化型符号化ルール
• Abstract要約: RuleEvolveは、コーディングルールのための自己進化型フレームワークである。 各イテレーションでは、既存の候補から変種を生成するためにLLMベースのミューテータモジュールが使用される。 次に、判定モジュールを使用して、これらの変種を評価し、最高のパフォーマンスでプールを更新する。
• 参考スコア（独自算出の注目度）: 35.550853967884734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The performance of AI coding agents is highly dependent on their underlying coding rules. However, existing coding rules are typically hand-crafted and fixed, making the process labor-intensive and often suboptimal. In this work, we propose RuleEvolve, a self-evolving framework for coding rules. RuleEvolve maintains a pool of candidate coding rules and iteratively improves them. In each iteration, it employs an LLM-powered mutator module to generate variants from existing candidates, and then uses a judge module to evaluate these variants and update the pool with the best-performing ones. Extensive evaluations across two coding-agent frameworks, four backbone LLMs, and three benchmarks demonstrate that RuleEvolve outperforms both manual engineering and existing prompt optimization baselines in terms of functional correctness of the generated code, code length, and/or generation cost (e.g., tokens used).
• Abstract（参考訳）: AIコーディングエージェントのパフォーマンスは、その基盤となるコーディングルールに大きく依存している。 しかし、既存のコーディングルールは通常手作りで固定されており、プロセスは労働集約的であり、しばしば準最適である。 本研究では,ルールをコーディングするための自己進化型フレームワークであるTrueEvolveを提案する。 RuleEvolveは、候補となるコーディングルールのプールを維持し、反復的にそれらを改善する。 各イテレーションでは、既存の候補から変種を生成するためにLLMベースのミューテータモジュールを使用し、その後、判定モジュールを使用してこれらの変種を評価し、最もパフォーマンスの良い変種でプールを更新する。 2つのコーディングエージェントフレームワーク、4つのバックボーンLDM、および3つのベンチマークによる広範囲な評価は、RustEvolveが、生成されたコード、コードの長さ、および/または生成コスト(例えば、トークン)の関数的正確性の観点から、手動エンジニアリングと既存のプロンプト最適化ベースラインの両方を上回っていることを示している。

関連論文リスト

• CodeChat-Eval: Evaluating Large Language Models in Multi-Turn Code Refinement Dialogues [6.475060769782328]
  大規模言語モデル(LLM)は、コードの生成と洗練のために、ソフトウェア工学でますます使われています。 既存のベンチマークでは、このマルチターンコードリファインメントダイアログ設定が省略されるのが一般的である。 マルチターンコードリファインメント対話から評価セッションを構築する評価フレームワークであるCodeChat-Evalを紹介する。
  論文  参考訳（メタデータ） (2026-06-24T12:16:04Z)
• MM-ReCoder: Advancing Chart-to-Code Generation with Reinforcement Learning and Self-Correction [18.226927359110018]
  我々は、強化学習(RL)で訓練されたチャート・ツー・コード生成モデルMM-ReCoderを紹介する。 グループ相対政策最適化(GRPO)に基づく2段階多ターン自己補正RL戦略を提案する。 MM-ReCoderの最先端性能を3つのチャート・ツー・コード・ベンチマークで検証した。
  論文  参考訳（メタデータ） (2026-04-02T04:21:09Z)
• CodeDPO: Aligning Code Models with Self Generated and Verified Source Code [52.70310361822519]
  我々は、コード生成に好み学習を統合するフレームワークであるCodeDPOを提案し、コードの正確性と効率性という2つの重要なコード優先要因を改善した。 CodeDPOは、コードとテストケースを同時に生成、評価するセルフジェネレーション・アンド・バリデーションメカニズムを利用して、新しいデータセット構築方法を採用している。
  論文  参考訳（メタデータ） (2024-10-08T01:36:15Z)
• CodeChain: Towards Modular Code Generation Through Chain of Self-revisions with Representative Sub-modules [51.82044734879657]
  我々は,自己修正の連鎖を通じてモジュール化されたコード生成を誘発する,新しい推論フレームワークであるCodeChainを提案する。 CodeChainは、生成したソリューションのモジュール性と正確性の両方を大幅に向上させ、APPSで35%、CodeContestsで76%の相対パス@1の改善を実現しています。
  論文  参考訳（メタデータ） (2023-10-13T10:17:48Z)

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。