論文の概要: Back Up Before You Regret: Measuring Backup Awareness and Automating Backup in Coding Agents
- arxiv url: http://arxiv.org/abs/2610.28934v1
- Date: Tue, 20 Oct 2026 21:13:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 09:50:43.222357
- Title: Back Up Before You Regret: Measuring Backup Awareness and Automating Backup in Coding Agents
- Title（参考訳）: 修正前のバックアップ: コーディングエージェントのバックアップ意識の測定とバックアップの自動化
- Abstract要約: コーディングエージェントがタスクを自律的に完了し、その過程でアーティファクトやソフトウェア環境、設定などの現実世界の状態を変更する。
我々は、X.com、GitHub、Stack Overflowなどのプラットフォームで報告された後悔の瞬間に基礎を置いた205の実行可能なタスクのベンチマークであるRegretBenchを紹介した。
BackUpperはプラグインのバックアップレイヤで、すべてのツールコールをチェックし、修正前に影響のある状態を保存します。
- 参考スコア（独自算出の注目度）: 38.5693365876714
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Coding agents now complete tasks autonomously, modifying real-world state such as artifacts, software environments, and configurations along the way. Yet they show limited backup awareness: recognizing that an action will modify state that may later be needed, and preserving it beforehand. To evaluate backup awareness, we introduce RegretBench, a benchmark of 205 executable tasks grounded in regret moments reported on platforms such as X.com, GitHub, and Stack Overflow, where users explicitly regretted not preserving state they later needed. Across six frontier models, agents complete 86.1% of tasks on average yet back up before these moments in only 15.2%, showing that task completion ability does not imply backup awareness. Because it is hard to predict which changes will be regretted, we propose BackUpper, a harness plug-in backup layer that checks every tool call and preserves affected state before modification. It combines rule-based strategies for common operations with a lightweight subagent for complex cases, and its rule table can expand with subagent decisions over time. On RegretBench, BackUpper covers every regret moment action and restores states with 92.2% average similarity to the original. Achieving this costs only $0.014 per task, with 7x fewer tokens than the main-agent self-backup baseline. When users have preferences on what to back up, BackUpper can also narrow its scope accordingly, matching human annotations on whether an action is worth preserving with an 84.5% F1 score. These results suggest that agents can keep actions reversible at low cost while respecting users' preferences.
- Abstract（参考訳）: コーディングエージェントがタスクを自律的に完了し、その過程でアーティファクトやソフトウェア環境、設定などの現実世界の状態を変更する。
アクションが後で必要になる可能性のある状態を修正し、事前に保存する、という認識だ。
バックアップの認識を評価するために、X.com、GitHub、Stack Overflowなどのプラットフォームで報告された後悔の瞬間をベースとした205の実行可能なタスクのベンチマークであるRegretBenchを紹介した。
6つのフロンティアモデルにまたがって、エージェントは平均86.1%のタスクを完了したが、15.2%でこれらの瞬間に遡って完了した。
どの変更が後悔されるかを予測するのは難しいため、修正前にすべてのツールコールをチェックし、影響を受ける状態を保存するハーネスプラグインバックアップ層であるBackUpperを提案する。
共通オペレーションのためのルールベースの戦略と、複雑なケースのための軽量サブエージェントを組み合わせることで、そのルールテーブルは時間とともにサブエージェントの決定とともに拡張できる。
RegretBenchでは、BackUpperはすべての後悔の瞬間をカバーし、元の状態と92.2%の平均的な類似度で状態を復元する。
この達成には1タスクあたり0.014ドルしかかからず、メインエージェントのセルフバックアップベースラインよりもトークンが7倍少ない。
ユーザーが何をバックアップするかを好み、BackUpperはその範囲を狭めることができ、アクションが84.5%のF1スコアで保存する価値があるかどうかについての人間のアノテーションと一致する。
これらの結果から,エージェントはユーザの嗜好を尊重しながら,低コストで行動の可逆性を維持できる可能性が示唆された。
関連論文リスト
- Do Modifications Made by Coding Agents Make Subsequent Software Maintenance Harder? [10.29059341399134]
コーディングエージェントは時間の経過とともにリポジトリを維持し、各変更がその後のタスクの出発点となる。
エージェント記述のコードがその後のメンテナンスを難しくするのか、コストが継承されたテスト失敗によるものなのか、あるいはコード自体によるものなのかを問う。
我々はSWE-Maintainを紹介し、50の現実のPythonリポジトリから100の3時間メンテナンスエピソードを含む。
論文 参考訳（メタデータ） (2026-10-10T09:45:17Z) - Future Anchored Verification and Online Recovery for World Action Models [50.72957480806238]
世界アクションモデル(WAM)は、ロボット操作のための有望なパラダイムとして登場した。
我々は、WAMが行動する前に予測した未来が、通過する意図のある状態を正確に表現しているのを観察する。
予測フレームをアンカーとして保持し,検証とリカバリに使用する軽量フレームワークであるFAVORを紹介する。
論文 参考訳（メタデータ） (2026-10-05T13:08:58Z) - COUNTERMEM: World-Model Verified Counter-Factual Memory for Language Agents [40.59788210629839]
COUNTERMEMは、タスク間で検証済みの反ファクトメモリの構築と使用のための強化学習フレームワークである。
動作が失敗した後、COUNTERMEMは元の状態のコピーまたはリセットからローカル代替品を評価する。
オリジナルと修正されたアクション、チェック結果、再利用条件の改善を格納する。
論文 参考訳（メタデータ） (2026-09-25T18:12:38Z) - RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
正規化再帰的自己改善型エージェント・ハーネス(RRSI)
本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。
RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
論文 参考訳（メタデータ） (2026-09-21T17:54:49Z) - RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。
我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
論文 参考訳（メタデータ） (2026-09-09T03:00:03Z) - SWE-Together: Evaluating Coding Agents in Interactive User Sessions [19.069719245971786]
実際のユーザエージェントコーディングセッションから再構成したマルチターンベンチマークであるSWE-Togetherを紹介する。
11,260のセッションから109のリポジトリレベルのタスクをキュレートし、リカバリ可能なレポジトリステートでセッションを選択します。
我々は、元のユーザの意図を保存し、コーディングエージェントの進捗が必要な時にフィードバックを提供する、リアクティブLLMベースのユーザシミュレータを構築します。
論文 参考訳（メタデータ） (2026-06-29T08:35:15Z) - Taming "Zombie'' Agents: A Markov State-Aware Framework for Resilient Multi-Agent Evolution [50.50276752935017]
AgentReviveは、レジリエントなマルチエージェント進化のためのMarkovステートアウェアフレームワークである。
我々の手法はソフト状態遷移を通じてエージェントの協調を動的に管理する。
ステートアウェアなエージェントスケジューリングによってトークンの消費を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-17T09:38:18Z) - Governed Capability Evolution for Embodied Agents: Safe Upgrade, Compatibility Checking, and Runtime Rollback for Embodied Capability Modules [14.412476605788482]
エージェント自体を書き換えるのではなく、実行可能な機能を更新することで、時間とともに改善されることが期待されている。
ライフサイクルを意識したアップグレードフレームワークを提案し、新しい機能バージョンはすべて、管理されたデプロイメント候補として扱われる。
論文 参考訳（メタデータ） (2026-04-09T10:18:51Z)
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。