論文の概要: StateHarness: Maintaining Evolving Project State for Long-Horizon Coding Agents
- arxiv url: http://arxiv.org/abs/2610.17616v1
- Date: Tue, 13 Oct 2026 02:39:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 18:08:12.888858
- Title: StateHarness: Maintaining Evolving Project State for Long-Horizon Coding Agents
- Title（参考訳）: StateHarness: 長期コーディングエージェントのための進化的プロジェクト状態を維持する
- Abstract要約: モデルパラメータを更新することなく、プロジェクト状態の進化を維持するランタイムフレームワークであるStateHarnessを紹介します。
StateHarnessは、測定可能な実行と回帰トレードオフを導入しながら、長距離符号化を改善する。
- 参考スコア（独自算出の注目度）: 24.44651845075238
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon coding requires agents to maintain an evolving view of the project they are changing: what problem is currently being solved, what has already been learned or modified, which other artifacts may be affected, and what work remains unresolved. When this information is scattered across a growing interaction history, local edits can become disconnected from their later consequences and progress can be difficult to carry forward. We introduce StateHarness, a runtime framework that maintains evolving project state without updating model parameters. The working agent records its current problem and hypothesis, important findings and decisions, discovered repository relationships, and unfinished work. Runtime support prompts record updates, searches for callers, tests, and documentation that may be affected by a change, and maintains a compact working brief for subsequent decisions. When behavioral signals accumulate, a separate diagnostic session revisits the recorded history and surfaces overlooked evidence. Across three repository-level evaluations, StateHarness improves task completion and several measures of change consistency. On RefactorBench, full-chain completion increases from 29.4% to 35.3% and cleanup-check accuracy from 87.0% to 95.4%. On five LHTB software-engineering tasks, mean reward improves from 0.427 to 0.576, exceeding LongHorizon-Harness at substantially lower recorded execution cost. On ChainSWE, bug-fix rate increases from 35.1% to 39.5% and residual debt decreases from 60 to 43 items, although pass-to-pass regressions increase. These results show that maintaining project state can improve long-horizon coding while introducing measurable execution and regression trade-offs.
- Abstract（参考訳）: 長期的なコーディングには、現在解決されている問題、すでに学習されているもの、修正されているもの、他の成果物に影響を及ぼす可能性のあるもの、そしてまだ解決されていないものなど、プロジェクトの進化的なビューを維持するためにエージェントが要求される。
この情報が増大するインタラクション履歴に散在すると、ローカルな編集がその後の結果から切り離され、進歩が進むことが困難になる。
モデルパラメータを更新することなく、プロジェクト状態の進化を維持するランタイムフレームワークであるStateHarnessを紹介します。
作業担当者は、現在の問題と仮説、重要な発見と決定、リポジトリの関係の発見、未完成の作業を記録します。
ランタイムサポートは、レコード更新、呼び出し者、テスト、および変更に影響される可能性のあるドキュメントの検索を促し、その後の決定のためにコンパクトな作業ブリーフを維持する。
行動信号が蓄積されると、別の診断セッションが記録された履歴を再検討し、見落としている証拠を表面化する。
3つのリポジトリレベルの評価で、StateHarnessはタスクの完了と変更一貫性のいくつかの尺度を改善している。
RefactorBenchでは、フルチェーン完了は29.4%から35.3%に増加し、クリーンアップチェックの精度は87.0%から95.4%に向上した。
5つのLHTBソフトウェアエンジニアリングタスクでは、平均報酬は0.427から0.576に改善され、記録された実行コストはかなり低いロングホライゾン・ハーネスを上回った。
ChainSWE では、バグフィックス率は 35.1% から 39.5% に増加し、残高は 60 から 43 に減少するが、パス・ツー・パスの回帰は増加する。
これらの結果から、プロジェクト状態の維持は、測定可能な実行と回帰トレードオフを導入しながら、長期コーディングを改善することができることが示された。
関連論文リスト
- Failure Recovery via Belief Updates and World Modeling for Long-Horizon Agents [58.51369178880458]
ロングホライゾンのエージェントは、何歩か前に発生した障害から回復するのに苦労することが多い。
本報告では, 検証試験における持続的証拠と, 補修方向に対する予測的推論を組み合わせた枠組みであるBELIEFWEAVERを紹介する。
論文 参考訳（メタデータ） (2026-10-13T10:05:06Z) - Long-Horizon-Terminal-Bench 2.0: Automating Diverse Task Construction and Measuring Sustained Agent Progress [59.76726249334829]
本稿では,LHTB 2.0(Long-Horizon-Terminal-Bench 2.0)について述べる。
LHTB 2.0は46のタスクを保存し、タスクと評価インフラの欠陥を修正し、31のタスクを拡張する。
拡張されたタスクは、体系的な再構築タスクパイプラインを通じて生成される。
論文 参考訳（メタデータ） (2026-10-09T15:22:53Z) - WideSWE: Can Coding Agents Coordinate Changes Across Repositories? [26.071091542185957]
クロスリポジトリタスクにおける符号化エージェントの評価にWideSWEを導入する。
103のソフトウェアエコシステムにおける変更のマイニングとレビューは120の実際のタスクをもたらし、60のバグ修正と60の機能のバランスをとる。
完全なタスク成功は10.83%から42.50%の範囲で、設定ペアのCodex CLIとGPT-5.6-solが最高速度を達成している。
論文 参考訳（メタデータ） (2026-09-27T09:02:49Z) - When Can Agents Forget Their Reasoning? ICLR for Long-Horizon Agent Context Compression [55.84813053778976]
ロングホライズル言語モデルエージェントは、推論履歴を継続的に蓄積する。
歴史的推論の除去は、将来の行動と結果として生じる相互作用の軌跡を変える可能性がある。
長軸推論のためのインタラクションアウェア圧縮を提案する。
論文 参考訳（メタデータ） (2026-09-24T14:28:43Z) - REVISE: Validity-Guided Recovery for Online Revisions in Agent Workflows [5.5444120195759785]
textscReviseは構造化エージェントのきめ細かい回復に有効である。
無効な作業を止め、最初期の紛争を超えて有効に確立された進捗を保ち、影響を受けた地域のみを再計算する。
モデルコールをフルリスタートに対して40.6--56.0%、サフィックス再計算に対して31.3--43.6%削減する。
論文 参考訳（メタデータ） (2026-09-01T03:22:18Z) - Change2Task: From Repository Changes to Executable Coding Agent Tasks and Environments [46.958911818255565]
Change2Taskは、統合されたプルリクエストを、同じリポジトリの健全なモダンなリビジョンに関する検証されたタスクに変換する。
歴史的証拠を進化したコードと整合させ、パッチリバーサル、コードマッピング、エージェント再構築を通じてタスク状態を再構築する。
本システムは,バグフィックス,機能追加,テスト生成,アプリケーションプログラミングインタフェースのマイグレーション,セキュリティ修復という,広く普及している5つのプログラミングエージェントタスクファミリを通じて評価する。
論文 参考訳（メタデータ） (2026-07-30T17:44:31Z) - Do These Violent Delights Have Violent Ends? Measuring the Post-Merge Fate of Agentic Code [8.771752397414094]
エージェントコーディングツールは、現実のプロジェクトに自律的なリポジトリレベルの変更を行うために、ますます使われています。
我々は182リポジトリにわたるエージェントおよび人的貢献の縦断的実証分析を行った。
エージェントの維持負担がリポジトリ特性に関連しているという統計的に有意な証拠が得られている。
論文 参考訳（メタデータ） (2026-07-10T18:45:37Z) - LongDS-Bench: On the Failure of Long-Horizon Agentic Data Analysis [29.918718173329037]
LongDSは、ロングホライズン、マルチターンデータ分析のためのベンチマークである。
エージェントは進化する分析状態を維持し、更新し、復元し、構成しなければならない。
LongDSは現実世界のKaggleノートブックから構築された68のタスクで構成されている。
論文 参考訳（メタデータ） (2026-05-28T18:00:20Z) - Converted, Not Equivalent: Benchmarking Codebase Conversion via Observational Equivalence [56.25095230687242]
コーディングエージェントは、しばしば自身のローカル検証ルーチンを過度に信頼し、表面チェックを満たすアーティファクトの成功を宣言する。
この問題は、事前評価が結果駆動である変換において特に深刻である。
ブラインド・コンバージョンは26.7-28.9%に達し、スペック・パスレートは91.1%まで上昇した。
このことは、失敗は限られた予算やバックボーンの強さよりも、契約ミスによる自己検証に起因していることを示唆している。
論文 参考訳（メタデータ） (2026-05-27T19:57:15Z) - Quality and Security Signals in AI-Generated Python Refactoring Pull Requests [0.0]
AIDevデータセットからPythonプルリクエスト(PR)を実証研究する。
MLベースのPythonの品質評価ツールであるPyQuを用いてエージェントPRを分析する。
以上の結果から,エージェントのコミットが22.5%の品質特性を改善することが示唆された。
同時に、修正ファイルの24.17%が新しいPylint問題を導入している。
論文 参考訳（メタデータ） (2026-05-20T17:43:36Z) - SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks [55.76734816061826]
我々は20の問題と93のチェックポイントからなる言語に依存しないベンチマークであるSlopCodeBenchを紹介する。
我々は、冗長性、重複コードの割合、構造的侵食という2つの軌道レベルの品質信号を追跡する。
11モデルにまたがるエンドツーエンドの問題を解決するエージェントは存在しない。
論文 参考訳（メタデータ） (2026-03-25T19:26:44Z)
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。