論文の概要: Engineering Sustainable Agents: A Systematic Comparison of Agentic LLMs for Developer Workflows

• arxiv url: http://arxiv.org/abs/2610.03010v1
• Date: Fri, 02 Oct 2026 08:41:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.287128
• Title: Engineering Sustainable Agents: A Systematic Comparison of Agentic LLMs for Developer Workflows
• Title（参考訳）: エンジニアリング持続可能なエージェント: 開発者ワークフローのためのエージェントLLMの体系的比較
• Abstract要約: 大規模言語モデル(LLM)は、複数のエージェントを協調するエージェントシステムを含むソフトウェア工学において、ますます使われている。 本稿では,5つのソフトウェアエンジニアリングタスクを対象としたエージェントLLMシステムの総合的な実証的研究について述べる。
• 参考スコア（独自算出の注目度）: 4.7488486196706985
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly used in software engineering, including agentic systems that coordinate multiple agents, but impose higher computational and environmental costs. In this paper, we present a comprehensive empirical study of agentic LLM systems across five software engineering tasks: code generation, technical debt identification, code vulnerability detection, log parsing, and log analysis. For each task, we compare LLM configurations that range from a non-agentic single-query baseline to multi-agent workflows, using six open-weight LLMs, two prompt strategies, and three hardware platforms. We assess each configuration in terms of accuracy, inference latency, and energy consumption. Our results reveal substantial trade-offs between agentic complexity and energy efficiency: multi-agent designs consume on average 6.36$\times$ as much energy and run 6.07$\times$ as long as the non-agentic baseline, with worst-case slowdowns of up to 160$\times$ for individual task--hardware pairs. Accuracy gains from additional agents are limited and task-specific: multi-agent improves average vulnerability-detection accuracy, but lightweight non-agentic and single-agent configurations still dominate the Pareto front, accounting for 59 of 66 Pareto-optimal configurations. Model and prompt choice act as task-specific levers whose effective direction varies between tasks rather than as global defaults. We translate these findings into design guidelines for sustainable, task-aware LLM-based development tools.
• Abstract（参考訳）: 大規模言語モデル (LLM) は、複数のエージェントを協調するエージェントシステムを含むソフトウェア工学において、より高い計算と環境コストを課す。 本稿では,コード生成,技術的負債の識別,コードの脆弱性検出,ログ解析,ログ解析という5つのソフトウェア工学的タスクを対象としたエージェントLLMシステムの総合的研究について述べる。 各タスクに対して,非エージェントの単一クエリベースラインからマルチエージェントワークフローまで,6つのオープンウェイト LLM と2つのプロンプト戦略,3つのハードウェアプラットフォームを用いた LLM 構成を比較した。 それぞれの構成を、精度、推論遅延、エネルギー消費の観点から評価する。 マルチエージェント設計は平均6.36$\times$を消費し、非エージェントベースラインの6.07$\times$を走らせる。 マルチエージェントは平均的な脆弱性検出精度を向上するが、軽量な非エージェントと単一エージェント構成は依然としてパレートフロントを支配しており、66のパレート最適化構成のうち59は59である。 モデルとプロンプトの選択は、グローバルなデフォルトではなく、タスク間で効果的な方向が変化するタスク固有のレバーとして機能する。 我々はこれらの知見を,持続的かつタスク対応のLCMベースの開発ツールの設計ガイドラインに翻訳する。

関連論文リスト

• Chimera: Latency- and Performance-Aware Multi-agent Serving for Heterogeneous LLMs [62.17306142810532]
  ヘテロジニアスLSMクラスタ上で動作するマルチエージェントワークフローの予測スケジューリングシステムであるChimeraを提案する。 Chimeは最高のレイテンシをトレースし、エンドツーエンドのレイテンシを1.2-2.4$times$で削減し、タスクパフォーマンスを平均8.0-9.5ポイント改善する。
  論文  参考訳（メタデータ） (2026-03-23T17:01:42Z)
• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• Difficulty-Aware Agentic Orchestration for Query-Specific Multi-Agent Workflows [5.376980683850103]
  本稿では,予測困難により誘導されるクエリ固有多エージェントを生成するDifficulty-Aware Agentic Orchestration (DAAO)を提案する。 DAAOは、精度と推論効率の両方において、従来のマルチエージェントシステムを上回る。
  論文  参考訳（メタデータ） (2025-09-14T03:57:43Z)
• CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
  マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。 その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
  論文  参考訳（メタデータ） (2025-07-04T02:20:19Z)
• OmniNova:A General Multimodal Agent Framework [0.5439020425819]
  特殊なツールを備えた大規模言語モデル(LLM)は、インテリジェントな自動化システムに新たな機会をもたらす。 OmniNovaはモジュール型のマルチエージェント自動化フレームワークで、言語モデルとWeb検索、クローリング、コード実行機能といった特殊なツールを組み合わせる。
  論文  参考訳（メタデータ） (2025-03-25T19:21:01Z)
• Enhancing the General Agent Capabilities of Low-Parameter LLMs through Tuning and Multi-Branch Reasoning [56.82041895921434]
  オープンソースの事前訓練された大規模言語モデル(LLM)は、強力な言語理解と生成能力を示す。 現実世界の複雑な問題に対処するエージェントとして使用される場合、ChatGPTやGPT-4のような大型の商用モデルに比べてパフォーマンスははるかに劣る。
  論文  参考訳（メタデータ） (2024-03-29T03:48:12Z)
• A Dynamic LLM-Powered Agent Network for Task-Oriented Agent Collaboration [55.35849138235116]
  本稿では,様々なタスクやドメインに対する動的コミュニケーション構造において,候補からエージェントのチームを自動的に選択する手法を提案する。 具体的には, LLMを利用したエージェント協調のための動的LLMパワーエージェントネットワーク(textDyLAN$)というフレームワークを構築した。 我々は、コード生成、意思決定、一般的な推論、算術的推論タスクにおいて、適度な計算コストで、DyLANが強力なベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2023-10-03T16:05:48Z)
• AgentBench: Evaluating LLMs as Agents [99.12825098528212]
  エージェントとしてのLarge Language Model (LLM)は近年広く認知されている。 我々は,LLM-as-Agentの推論と意思決定能力を評価するために,8つの異なる環境からなるベンチマークであるAgentBenchを提案する。
  論文  参考訳（メタデータ） (2023-08-07T16:08:11Z)

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。