論文の概要: The Role of Agentic Instruction Categories for Code Generation: A Study of Five Python Libraries

• arxiv url: http://arxiv.org/abs/2610.21421v1
• Date: Thu, 15 Oct 2026 07:32:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.25351
• Title: The Role of Agentic Instruction Categories for Code Generation: A Study of Five Python Libraries
• Title（参考訳）: コード生成におけるエージェント命令カテゴリの役割:5つのPythonライブラリの検討
• Abstract要約: 我々は、31の空でない組み合わせに対して、Repository Overview、Function Description、インプリメンテーション詳細、Testing、Restruction Stepsの5つの命令カテゴリを評価した。 その結果,命令数だけではエージェントファイル生成のトークン使用率を判断できないことがわかった。
• 参考スコア（独自算出の注目度）: 1.8341543001575067
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agentic coding systems increasingly rely on repository-level agent files, such as AGENTS.md, to communicate project knowledge and developer intent. However, it remains unclear which categories of agent instructions enable efficient agent-file generation and accurate code generation. We evaluate five instruction categories: Repository Overview, Function Description, Implementation Detail, Testing, and Reconstruction Steps, across all 31 non-empty combinations using two Large Language Models (LLMs), Gemma 4 and GPT-5.4, and five human-written Python libraries. Our study addresses two research questions, comprising five sub-questions, on agent file generation and code generation. Results show that the number of instructions alone does not determine token usage for agent-file generation, with substantial variation across models and libraries. Although most AI-generated libraries compiled successfully regardless of the instruction combination, functional correctness remained limited. No Gemma 4 variant passed all tests, whereas 12.99% of GPT-5.4 variants did. Function Description achieved Gemma 4's highest partial-pass rate, while Reconstruction Steps achieved GPT-5.4's highest full-pass rate. For structural similarity to human-written code, Reconstruction Steps was most frequently associated with libraries closest to the originals in Lines of File and total Cyclomatic Complexity, while Testing and Reconstruction Steps were jointly most frequent for File Count and Function Count.
• Abstract（参考訳）: エージェントコーディングシステムは、プロジェクト知識と開発者の意図を伝えるために、AgentS.mdのようなリポジトリレベルのエージェントファイルにますます依存している。 しかし、エージェント命令のどのカテゴリが効率的なエージェントファイル生成と正確なコード生成を可能にしているのかは定かではない。 Repository Overview, Function Description, Implementation Detail, Testing, Restruction Steps, and across all 31 non-empty combinations using two Large Language Models (LLMs), Gemma 4 and GPT-5.4, and five human-written Python library。 本研究は,エージェントファイル生成とコード生成の5つのサブクエストを含む2つの研究課題に対処する。 結果から,命令数だけではエージェントファイル生成のトークン使用量を決定できないことが明らかとなった。 ほとんどのAI生成ライブラリは命令の組み合わせにかかわらずうまくコンパイルできたが、機能的正確性は限られていた。 Gemma 4は全ての試験に合格しなかったが、GPT-5.4の12.99%が合格した。 機能記述はGemma 4の最高部分通過率、レコンストラクションステップはGPT-5.4の最高フルパスレートを達成した。 人間の書いたコードと構造的類似性については、Restruction Stepsは元のファイル行数や全循環複雑度に最も近いライブラリと最もよく関連付けられ、TestingとRestruction StepsはFile CountとFunction Countで共用していた。

関連論文リスト

• From Interaction Traces to Persistent Skills: Online Evolution for Computer-Use Agents [48.50635499112162]
  本稿では,インタラクショントラジェクトリと評価器フィードバックを再利用手順の永続的でバージョン管理されたライブラリに変換するオンラインスキル進化フレームワークを提案する。 我々は、OSWorldの4つのアプリケーションドメインにまたがって、完全に進化するライブラリシステムと、設定にマッチした空のライブラリ制御を比較した。 GIMPでは、プロファイランス・アウェア・アナリティクスにより、タスク・オブ・オリジンの境界を越えた検索とリビジョンが示され、繰り返し受け入れられた編集が元のタスクの回復に失敗する。
  論文  参考訳（メタデータ） (2026-09-04T08:29:45Z)
• How Generation Architecture Shapes Code Complexity in Multi-Agent LLM Systems: A Paired Study on HumanEval [0.0]
  我々は、HumanEvalタスクで広く使われている6つのマルチエージェント構成を比較した。 私たちは、最もリーンなアーキテクチャが、正確さで最も重いアーキテクチャと一致しているか、または打ち負かしていることに気付きました。
  論文  参考訳（メタデータ） (2026-05-29T19:34:15Z)
• Instruction Adherence in Coding Agent Configuration Files: A Factorial Study of Four File-Structure Variables [0.0]
  コーディングエージェントはセッション開始時に設定ファイルを読み、内部の規約に従うことが期待されている。 4つの操作変数を用いたこれらの選択の系統的要因分析を報告する。 4つの構造変数または3つの双方向相互作用は、多重検定補正後に検出可能なコントラストを生成しない。
  論文  参考訳（メタデータ） (2026-05-11T06:09:47Z)
• GPT-4.1 Sets the Standard in Automated Experiment Design Using Novel Python Libraries [0.649540541957527]
  大規模言語モデル(LLM)は、科学研究におけるコード生成を自動化するツールとして急速に進歩してきた。 本研究では,関数型Pythonコードを生成する上で,最先端のLLMの選択を体系的にベンチマークする。 結果は、モデルの小さなサブセットだけが一貫して正しい実行可能なコードを生成することを示している。
  論文  参考訳（メタデータ） (2025-07-30T13:11:29Z)
• cAST: Enhancing Code Retrieval-Augmented Generation with Structural Chunking via Abstract Syntax Tree [39.50252992647112]
  大規模コード生成にはRAG(Retrieval-Augmented Generation)が不可欠である。 我々の研究は、検索強化されたコードインテリジェンスをスケールする上で、構造対応のチャンキングの重要性を強調している。
  論文  参考訳（メタデータ） (2025-06-18T17:31:51Z)
• Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
  機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。 次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
  論文  参考訳（メタデータ） (2025-04-24T01:57:01Z)
• Commit0: Library Generation from Scratch [77.38414688148006]
  Commit0は、AIエージェントにスクラッチからライブラリを書くよう促すベンチマークである。 エージェントには、ライブラリのAPIを概説する仕様文書と、インタラクティブなユニットテストスイートが提供されている。 Commit0はまた、モデルが生成したコードに対して静的解析と実行フィードバックを受け取る、インタラクティブな環境も提供する。
  論文  参考訳（メタデータ） (2024-12-02T18:11:30Z)
• RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation [96.75695811963242]
  RepoCoderはリポジトリレベルのコード補完プロセスを合理化するフレームワークである。 類似性ベースのレトリバーと、事前訓練されたコード言語モデルが組み込まれている。 バニラ検索で拡張されたコード補完アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2023-03-22T13:54:46Z)

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。