論文の概要: AssureCode: Structured Justification for Trustworthy Agentic Coding
- arxiv url: http://arxiv.org/abs/2610.29758v1
- Date: Wed, 21 Oct 2026 13:58:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.378346
- Title: AssureCode: Structured Justification for Trustworthy Agentic Coding
- Title（参考訳）: AssureCode: 信頼できるエージェントコーディングのための構造化された正当化
- Abstract要約: 本稿では,AI支援ソフトウェア開発における構造化議論の利用を提案する。
安全クリティカルシステムのための保証工学の技法に触発され、正当化論理の言語を定義する。
AssureCodeはエージェントコード生成の一部として、そのような合理性を生成するためのツール支援の方法論である。
- 参考スコア（独自算出の注目度）: 4.094161193147574
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The use of AI-based tools in software development is rapidly changing how software is produced, enabling large volumes of code to be generated with limited human implementation effort. However, this raises fundamental challenges for ensuring that generated artifacts are aligned with developer intent and have been appropriately validated. In this work, we propose the use of structured argumentation in driving AI-assisted software development. Inspired by techniques from assurance engineering for safety-critical systems, we define a language of justification rationales that explicitly relate informal natural language prompts, formal specifications, assumptions about developer intentions, and program analysis evidence in a structured and verifiable format. We then describe AssureCode, a tool-supported methodology for creating such rationales as part of agentic code generation. We provide an empirical analysis of our implementation where we investigate its capacity to contribute towards justified assurance of correctness for AI-generated code.
- Abstract（参考訳）: ソフトウェア開発におけるAIベースのツールの使用は、ソフトウェアの生成方法が急速に変化している。
しかし、これは生成したアーティファクトが開発者の意図と一致し、適切に検証されていることを保証するための根本的な課題を提起する。
本稿では,AI支援ソフトウェア開発における構造化議論の利用を提案する。
安全クリティカルシステムのための保証工学の技法に触発されて、非公式な自然言語プロンプト、正式な仕様、開発者の意図に関する仮定、構造化され検証可能なフォーマットでのプログラム分析エビデンスを明示的に関連づける正当化論理の言語を定義する。
次に、エージェントコード生成の一部として、そのような合理性を作成するためのツール支援の方法論であるAssureCodeについて説明します。
そこで我々は,AI生成コードの正当性保証に寄与する能力について実証分析を行った。
関連論文リスト
- On Automated and Explainable Provenance of AI-Generated Code [56.818202904805446]
次世代のCodeGenAIツールは、説明可能な証明の基礎の上に構築されなければならない、と我々は主張する。
本稿では,大規模実証研究とポストホック因果・解釈可能性技術を組み合わせた研究プログラムについて述べる。
論文 参考訳（メタデータ） (2026-08-03T14:50:31Z) - Bridging the Gap on AI-Assisted Scientific Software Development Through Transparency and Traceability [4.466942018046944]
研究者はすでに、大規模な言語モデルを使用して、コードを書き、テストケースを生成し、ドキュメントをドラフトしています。
このAIの使用は、科学ソフトウェアの品質に対する体系的なリスクを表している。
本稿では,厳密なソフトウェア品質保証の文脈におけるAI支援コード開発のためのガイダンスを提案する。
論文 参考訳（メタデータ） (2026-05-17T22:08:52Z) - From Code-Centric to Intent-Centric Software Engineering: A Reflexive Thematic Analysis of Generative AI, Agentic Systems, and Engineering Accountability [0.0]
生成人工知能(GenAI)とエージェントシステムは、ソフトウェアエンジニアリングをコード中心の生産からインテント中心のヒューマンエージェント作業へと移行している。
以前の研究では、コード生成、AIペアプログラミング、ソフトウェアエンジニアリングエージェントについて検討されていたが、パブリックな技術談話とピアレビューされた証拠が、専門家の短期的な移行をどう表すかについては、あまり知られていない。
この研究は、ピアレビューされたソフトウェアエンジニアリングとAI文学、技術ベンチマーク、公開講演とインタビュー、エッセイ、製品が対象とする技術発表、著名なAIとソフトウェアエンジニアリングの声によるX-originatedな談話を組み合わせている。
論文 参考訳（メタデータ） (2026-05-10T20:45:06Z) - Intent Formalization: A Grand Challenge for Reliable Coding in the Age of AI Agents [7.228124845671868]
エージェントAIシステムは、驚くほどの頻度でコードを生成することができる。
生成されたコードが実際にユーザが意図した通りに動作するようにします。
論文 参考訳（メタデータ） (2026-03-17T21:28:59Z) - Position: Intelligent Coding Systems Should Write Programs with Justifications [9.304020701255093]
これらのシステムは、コードを生成するだけでなく、モデル推論とユーザ理解を橋渡しする明確な一貫性のある正当化も生み出すべきだ、と私たちは主張する。
我々は, 正当性生成のためのニューロシンボリックなアプローチを提唱し, トレーニング中の行動とプログラムセマンティクスが神経表現によって豊かになるように, 象徴的制約を導出する。
論文 参考訳（メタデータ） (2025-08-08T05:04:47Z) - Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。
実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
論文 参考訳（メタデータ） (2025-05-28T17:57:47Z) - Code to Think, Think to Code: A Survey on Code-Enhanced Reasoning and Reasoning-Driven Code Intelligence in LLMs [53.00384299879513]
大規模言語モデル(LLM)では、コードと推論が互いに強化される。
コードは検証可能な実行パスを提供し、論理的な分解を強制し、実行時の検証を可能にする。
我々は,このシナジーを強化するために,重要な課題を特定し,今後の研究方向性を提案する。
論文 参考訳（メタデータ） (2025-02-26T18:55:42Z) - Bridging LLM-Generated Code and Requirements: Reverse Generation technique and SBC Metric for Developer Insights [0.0]
本稿では,SBCスコアと呼ばれる新しいスコアリング機構を提案する。
これは、大規模言語モデルの自然言語生成能力を活用するリバースジェネレーション技術に基づいている。
直接コード解析とは異なり、我々のアプローチはAI生成コードからシステム要求を再構築し、元の仕様と比較する。
論文 参考訳（メタデータ） (2025-02-11T01:12:11Z) - Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。
Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
論文 参考訳（メタデータ） (2024-10-02T09:11:10Z)
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。