論文の概要: Teaching Code Agents to Ask Without Leaking Private Code
- arxiv url: http://arxiv.org/abs/2610.24824v1
- Date: Sat, 17 Oct 2026 19:13:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-22 15:56:10.750904
- Title: Teaching Code Agents to Ask Without Leaking Private Code
- Title（参考訳）: コードエージェントにプライベートコードを漏らさずに質問するように教える
- Abstract要約: ローカルコーディングエージェントは、より強力なクラウドモデルを参照することで、リーチを拡張することができる。
このようなコンサルテーションはリポジトリのプライベート識別子、ファイルパス、ソースコードを公開することが多い。
提案するユーティリティ検証抽象化(UVA)では,エージェントが役割や型によってプライベートエンティティを記述するように教える。
- 参考スコア（独自算出の注目度）: 21.63315058215815
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Local coding agents can extend their reach by consulting a stronger cloud model. Such consultations, however, often expose the repository's private identifiers, file paths, and source code. Host-side masking hides recognized identifiers but leaves the surrounding code and the agent's phrasing unchanged, while training for less disclosure risks suppressing consultation or producing questions too vague to answer. We propose utility-verified abstraction (UVA), which teaches the agent to describe private entities by their role and type while retaining the technical details an expert needs. From solved repair trajectories, we rewrite each question into this form and keep the rewrite only if it discloses fewer private entities and the repair, replayed from the same execution state with the repair trajectories. Across two benchmarks, the trained agent consults more often than before training. On repository-level issue repair, it solves 37.6% of issues, against 25.3% for the same model working alone, a gain from the training as a whole rather than from consultation alone. Its questions disclose 3.7-fold fewer private entities and 1.4-fold less verbatim code than the untrained agent's questions to the same expert.
- Abstract（参考訳）: ローカルコーディングエージェントは、より強力なクラウドモデルを参照することで、リーチを拡張することができる。
しかしながら、このようなコンサルテーションはリポジトリのプライベート識別子、ファイルパス、ソースコードを公開することが多い。
ホスト側マスキングは認識された識別子を隠すが、周囲のコードとエージェントの言い回しは変わらない。
筆者らは,専門家が必要とする技術的詳細を維持しつつ,その役割と型によってプライベートエンティティを記述することをエージェントに教えるユーティリティ検証抽象化(UVA)を提案する。
解決された補修軌道から各質問をこの形式に書き直し、より少ないプライベートエンティティを開示した場合にのみ書き直しを継続し、補修軌道で同じ実行状態から再生する。
2つのベンチマークで、訓練されたエージェントは、トレーニング前よりも頻繁にコンサルティングします。
リポジトリレベルの問題修正では、37.6%の問題を解決し、同じモデルが単独で動作する場合、25.3%の問題を解決している。
彼らの質問は、訓練されていないエージェントの質問よりも3.7倍のプライベートエンティティと1.4倍の冗長コードを明らかにしている。
関連論文リスト
- Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries [61.486885079210055]
構築者エージェントが生文書を階層的な合成ファイルと参照リンクに変換するフレームワークであるLibrarian Agentsを導入し、下流の応答エージェントに適したワークスペースを形成する。
経験的に、ライブラリアンエージェントはBrowseComp-Plusで最強の検索と事前計算のベースラインを33ポイント上回り、繰り返しクエリで事前構築コストを償却し、31ポイント平均精度の改善でBRIGHT上の未確認領域にゼロショットを一般化する。
論文 参考訳（メタデータ） (2026-10-15T17:35:17Z) - When and How Should an Agent Clarify? CIGAsk: Teaching LLMs to Clarify via Counterfactual Information Gain [73.2163413577971]
そこで本研究では,回答よりも質問するタイミングと,不明瞭な情報を回復する質問を行う方法という,2つのスキルを教えるレシピを提案する。
不斉あいまいさボーナスは、金のあいまいさラベルに基づいて署名された報酬を端末トークンに割り当て、いつ尋ねるかを案内する。
また、データ単位のチューニングなしでデータセット間で転送し、アウト・オブ・ディストリビューションのベンチマークでシングルターンのQAパフォーマンスを保存する。
論文 参考訳（メタデータ） (2026-09-21T08:47:39Z) - Know Before Fix: QA-Driven Repository Knowledge Acquisition for Software Issue Resolution [14.539105528943958]
ACQUIREは、ソフトウェアイシュー解決のためのQA駆動のフレームワークである。
ACQUIREは、修正を試みる前に開発者がよく知らないコードを最初に理解する方法を反映して、修正する前にリポジトリの知識を明示的に取得する。
論文 参考訳（メタデータ） (2026-07-13T05:41:01Z) - SWE-Explore: Benchmarking How Coding Agents Explore Repositories [20.73123882302075]
SWE-benchのようなリポジトリレベルのコーディングベンチマークは、コーディングエージェントの能力の急激な急上昇を引き起こしている。
本稿では,リポジトリ探索の評価を分離するベンチマークであるSWE-Exploreを紹介する。
論文 参考訳（メタデータ） (2026-06-05T14:08:27Z) - MosaicLeaks:Privacy Risks in Querying-in-the-Open for Deep Research Agents [76.60965179634664]
ディープリサーチエージェントは、プライベートなローカルドキュメントをWeb検索のような外部ツールと組み合わせて、プライバシーリスクを生じさせている。
プライベートなエンタープライズドキュメントとパブリックなWebコーパスをチェーンする1,001のディープリサーチタスクのベンチマークであるMosaicLeaksを紹介します。
私たちは、家族やサイズにわたるモデルが3つのレベルすべてに頻繁にリークしていることに気付きました。
論文 参考訳（メタデータ） (2026-05-29T01:44:35Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - Ask or Assume? Uncertainty-Aware Clarification-Seeking in Coding Agents [4.301199871195023]
大規模言語モデル(LLM)エージェントは、ソフトウェア工学のようなオープンなドメインにますますデプロイされています。
我々は, SWE-bench Verified の未特定変種に対する LLM エージェントの解明と探索能力を評価する。
コード実行から不特定性検出を明示的に分離する不確実性認識型マルチエージェントスキャフォールドを提案する。
論文 参考訳（メタデータ） (2026-03-27T09:56:26Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - Towards Verified Code Reasoning by LLMs [6.973151264926856]
本稿では,コード推論エージェントの回答を自動的に検証する手法について述べる。
本手法は, エージェントの応答の形式的表現を抽出し, その後, 形式的検証とプログラム解析ツールを用いて構成する。
論文 参考訳（メタデータ） (2025-09-30T17:17:51Z) - Towards Exception Safety Code Generation with Intermediate Representation Agents Framework [54.03528377384397]
大規模言語モデル(LLM)は、しばしば生成されたコードの堅牢な例外処理に苦しむ。
中間表現(IR)アプローチにより,LLM生成コードの例外安全性を実現する新しいマルチエージェントフレームワークであるSeekerを提案する。
Seekerは例外処理をScanner, Detector, Predator, Ranker, Handlerの5つの特殊エージェントに分解する。
論文 参考訳（メタデータ） (2024-10-09T14:45:45Z)
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。