論文の概要: Agent4Spec: An LLM-based Agentic System to Optimize API Specifications through Automated Validation and Market Analysis
- arxiv url: http://arxiv.org/abs/2610.13273v1
- Date: Fri, 09 Oct 2026 09:25:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.504827
- Title: Agent4Spec: An LLM-based Agentic System to Optimize API Specifications through Automated Validation and Market Analysis
- Title（参考訳）: Agent4Spec: 自動検証と市場分析を通じてAPI仕様を最適化するLLMベースのエージェントシステム
- Abstract要約: API仕様は、現代のソフトウェア開発にとって重要なドキュメントである。
我々は,2つの異なるパイプラインを特徴とする自律型マルチエージェントフレームワークであるAgent4Specを提案する。
汎用シナリオと産業シナリオの両方にまたがるAPI仕様の2つのキュレートされたデータセット上でAgent4Specを評価する。
- 参考スコア（独自算出の注目度）: 0.13546242205182982
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: API specifications serve as critical documentation for modern software development, directly impacting integration efficiency and client code generation. While recent advancements have leveraged Large Language Models (LLMs) to generate initial specifications from source code, existing approaches treat this process as a one-time event - overlooking the needs for continuous validation, long-term maintenance, and market-driven evolution of these artifacts. To address this issue, we present Agent4Spec, an autonomous multi-agent framework featuring two distinct pipelines: (1) a validation pipeline that detects and self-corrects OpenAPI syntax errors, and (2) a market analysis pipeline that conducts competitive research, identifies functional gaps against industry leaders, and automatically generates missing API-spec functionalities. We evaluate Agent4Spec on two curated datasets of API specifications spanning both general-purpose and industrial scenarios. Among 9 SOTA LLMs, the top-performer achieves 100% syntax error detection rates and over 95% implementation success for proposed corrections, while securing over 50% adoption rates for suggested endpoint improvements, representing a practical tool for API development.
- Abstract（参考訳）: API仕様は、統合効率とクライアントコード生成に直接影響し、モダンなソフトウェア開発にとって重要なドキュメントとなる。
最近の進歩では、ソースコードから最初の仕様を生成するためにLarge Language Models(LLM)を活用しているが、既存のアプローチでは、このプロセスを1回限りのイベントとして扱う。
この問題に対処するため,Agent4Specは,(1)OpenAPI構文エラーを検出し,自己修正するバリデーションパイプライン,(2)競合研究を行い,業界リーダに対する機能的ギャップを特定し,API特有の機能不足を自動的に生成する市場分析パイプラインという,2つの異なるパイプラインを特徴とする自律型マルチエージェントフレームワークである。
汎用シナリオと産業シナリオの両方にまたがるAPI仕様の2つのキュレートされたデータセット上でAgent4Specを評価する。
9つのSOTA LLMのうち、トップパフォーマーは100%の構文エラー検出率、提案された修正に対する95%以上の実装成功を達成すると同時に、提案されたエンドポイント改善に対する50%以上の採用率を確保し、API開発のための実用的なツールである。
関連論文リスト
- RESTOR: Automated Test Oracle Generation for RESTful APIs via Reinforcement Learning [21.927343858709122]
Restorは、ブラックボックスの設定で単一のリクエスト-レスポンスペアから実行可能なテストアサーションを生成するフレームワークである。
実世界の246のサービスにまたがる2,300以上のAPIトレースからなる産業データセット上でRestorを評価する。
論文 参考訳（メタデータ） (2026-07-27T03:20:28Z) - Environment-free Synthetic Data Generation for API-Calling Agents [68.95520739708304]
API呼び出し大型言語モデル(LLM)エージェントの訓練には、大量の高品質なトラジェクトリが必要である。
本研究では,LLMをオンザフライデジタルワールドモデルとして活用する環境不要な合成データ生成手法を提案する。
我々は,情報検索タスクと状態変更タスクの両方を含む,挑戦的なAppWorldとOfficeBenchベンチマークに対するアプローチを評価した。
論文 参考訳（メタデータ） (2026-07-18T17:36:44Z) - AISE-Bench: A Full-Cycle Curated Benchmark for Information Seeking on Academic Knowledge Graphs [55.8213573429699]
AISE-Benchは、学術知識グラフに基づく情報検索のための実世界のフルサイクルアノテートベンチマークである。
AISE-Benchリリースには1,133のQAペアが含まれている。クエリ、完全なAPI実行、検証されたパラメータ、リファレンスリンクによるソースグラウンドの回答などだ。
我々は,回答の品質,参照基盤,API計画の正確性,実行成功を総合的に評価するプロトコルを開発した。
論文 参考訳（メタデータ） (2026-06-16T07:59:46Z) - Making OpenAPI Documentation Agent-Ready: Detecting Documentation and REST Smells with a Multi-Agent LLM System [0.0]
このケースは、系統的なアーティファクトレベルの評価が戦略的意思決定支援メカニズムとして機能することを示す。
エンドポイントレベルでドキュメントやREST関連の臭いを検出するマルチエージェントLLMベースのシステムであるHermesを開発した。
論文 参考訳（メタデータ） (2026-05-14T03:23:51Z) - Multi-Agent Systems for Dataset Adaptation in Software Engineering: Capabilities, Limitations, and Future Directions [8.97512410819274]
本稿では,データセット適応タスクにおいて,最先端のマルチエージェントシステムがどのように機能するかについて,最初の実証的研究を行う。
我々は、GitHub Copilotを評価し、ROCODEやLogHub2.0といったベンチマークリポジトリからSE研究成果物を適用する。
その結果、現在のシステムはキーファイルを識別し、部分的な適応を生成することができるが、正しい実装を生成することは滅多にない。
論文 参考訳（メタデータ） (2025-11-26T13:26:11Z) - From Specification to Service: Accelerating API-First Development Using Multi-Agent Systems [2.2805184653738175]
本稿では,Large Language Models (LLM) ベースのエージェントを用いて,サーバコードのAPIファースト開発を自動化するシステムを提案する。
このシステムはOpenAPI仕様の作成を支援し、そこからコードを生成し、実行ログとエラーメッセージを分析するフィードバックループを通じてコードを洗練する。
論文 参考訳（メタデータ） (2025-10-22T06:22:36Z) - ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。
我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
論文 参考訳（メタデータ） (2024-09-02T03:19:56Z) - Octopus: On-device language model for function calling of software APIs [9.78611123915888]
大きな言語モデル(LLM)は、高度なテキスト処理と生成能力のために重要な役割を果たす。
本研究は,ソフトウェアAPIの起動において,デバイス上でのLCMを活用するための新たな戦略を提案する。
論文 参考訳（メタデータ） (2024-04-02T01:29:28Z) - DS-Agent: Automated Data Science by Empowering Large Language Models with Case-Based Reasoning [56.887047551101574]
大規模言語モデル(LLM)エージェントとケースベース推論(CBR)を利用した新しいフレームワークであるDS-Agentを提案する。
開発段階では、DS-AgentはCBRフレームワークに従い、自動イテレーションパイプラインを構築する。
デプロイメントの段階では、DS-Agentは、シンプルなCBRパラダイムで低リソースのデプロイメントステージを実装し、LCMの基本能力に対する需要を大幅に削減する。
論文 参考訳（メタデータ） (2024-02-27T12:26:07Z)
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。