論文の概要: What Open-Source Projects Tell Their Coding Agents: A Census of AGENTS.md and CLAUDE.md
- arxiv url: http://arxiv.org/abs/2610.31715v1
- Date: Thu, 22 Oct 2026 05:44:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.250515
- Title: What Open-Source Projects Tell Their Coding Agents: A Census of AGENTS.md and CLAUDE.md
- Title（参考訳）: CLAUDE.mdとAgentS.md
- Abstract要約: コーディングエージェントはリポジトリ内の命令ファイルでガイドすることができる。
13の言語でGitHubリポジトリを調査することで、この新たなプラクティスを検証します。
我々は、モデル支援アノテーションとヒューマンレビューを用いて、ステートメントを分析する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coding agents can be guided with instruction files in a repository. We examine this emerging practice through a census of popular, active GitHub repositories in thirteen languages, treating each repository's root AGENTS.md and CLAUDE.md as one instruction set. Agent instructions appear in of repositories and of the most-starred; where both files exist, CLAUDE.md usually points to AGENTS.md. We analyse statements using model-assisted annotation and human review. The annotations reveal a practical mix of project knowledge and rules about code, building and workflow. Collaboration rules name concrete requirements, from test plans to commit formats, yet of directives give no reason. Projects disagree on AI attribution: commit-message rules more often prohibit it than require it, while pull-request rules more often require disclosure. A third of instruction sets have a generator-associated signature, a tool-inserted block, shared text or an AI-marked creation commit; four in five are edited after creation. Prespecified tests associate repository popularity with rules on pull requests and AI contributions. Exploratory analyses link activity to process-oriented content and show that LLM and agent projects are over-represented among adopters. The models agree much more closely with each other than with the human reviewer's topic assignments, a caution for automated annotation. We release the annotations, taxonomies and pointers to the analysed file versions.
- Abstract（参考訳）: コーディングエージェントはリポジトリ内の命令ファイルでガイドすることができる。
13の言語で人気の高いGitHubリポジトリを調査し、各リポジトリのルート AgentS.md と CLAUDE.md を1つのインストラクションセットとして扱うことで、この新たなプラクティスを検証した。
CLAUDE.mdは通常、AgentS.mdを指している。
我々は、モデル支援アノテーションとヒューマンレビューを用いて、ステートメントを分析する。
アノテーションは、コード、構築、ワークフローに関するプロジェクト知識とルールの実践的な混合を明らかにします。
コラボレーションルールは、テスト計画からコミットフォーマットまで、具体的な要件を命名するが、指示は理由を示さない。
コミットメッセージルールは要求よりも禁止されることが多いが、プルリクエストルールは開示を必要とすることが多い。
命令セットの3分の1は、ジェネレータ関連シグネチャ、ツール挿入ブロック、共有テキスト、AIマーク付き生成コミットを備えており、生成後に5分の4が編集される。
事前定義されたテストは、リポジトリの人気とプルリクエストとAIコントリビューションに関するルールを関連付ける。
探索的分析はプロセス指向のコンテンツとアクティビティをリンクし、LLMとエージェントプロジェクトは採用者の間で過剰に表現されていることを示す。
モデルは、自動アノテーションに対する警告である、人間のレビュアのトピックの割り当てよりも、はるかに密接に一致します。
分析されたファイルのバージョンに対するアノテーション、分類、ポインタをリリースします。
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) - Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction [57.138342889101345]
Tencent WorkBuddy Benchは、コーディングエージェントのためのマルチドメイン評価スイートである。
本報告では, 設計手法, スコアリングプロトコル, クロスモデルリーダーボードについて述べる。
論文 参考訳（メタデータ） (2026-07-23T04:34:06Z) - Context Rot in AI-Assisted Software Development: Repurposing Documentation Consistency for AI Configuration Artifacts [12.261894106066082]
我々は、CLAUDE.md、 AgentS.md、.cursorrulesのような構成ファイルを通じて、AIコーディングアシスタントを永続的なコンテキストで提供する開発者が増えていると主張している。
これらのファイルは、コード要素、アーキテクチャ、開発規約を記述し、セッション間でAIツールの振る舞いをガイドするコンテキストを形成する。
ソフトウェアが進化するにつれて、このコンテキストは時代遅れになる可能性がある。これは、私たちがコンテキスト腐れと呼ぶ現象だ。AIの構成アーティファクトは新しいが、根底にある一貫性問題は何十年ものソフトウェアドキュメント研究に関係している。
論文 参考訳（メタデータ） (2026-06-08T06:36:38Z) - Evaluating AGENTS.md: Are Repository-Level Context Files Helpful for Coding Agents? [3.2610504259514754]
実世界のタスクにコンテキストファイルが有効かどうかを検討する。
コンテクストファイルはリポジトリのコンテキストを提供しないのに比べてタスクの成功率を低下させる傾向がある。
我々は、コンテキストファイルからの不要な要求はタスクを難しくし、人間によるコンテキストファイルは最小限の要求だけを記述するべきであると結論付けている。
論文 参考訳（メタデータ） (2026-02-12T14:15:22Z) - Uncovering Code Insights: Leveraging GitHub Artifacts for Deeper Code Understanding [0.1358202049520503]
大規模言語モデル(LLM)は、コード説明の生成において有望であることを示している。
GitHubの自然言語アーティファクトを活用する新しいアプローチを提案する。
私たちのシステムは3つのコンポーネントで構成されています。ひとつはGitHubコンテキストの抽出と構造、もうひとつはコード目的の高レベルな説明を生成するためにこのコンテキストを使用する、もうひとつは説明を検証する第3のコンポーネントです。
論文 参考訳（メタデータ） (2025-11-05T15:31:42Z) - Context Engineering for AI Agents in Open-Source Software [13.236926479239754]
GenAIベースのコーディングアシスタントは、ソフトウェア開発を混乱させた。
彼らの次の世代はエージェントベースで、より自律的で、潜在的には人間の監視なしで活動する。
ひとつの課題は、AIエージェントに対して、彼らが運用するソフトウェアプロジェクトに関する十分なコンテキストを提供することだ。
論文 参考訳（メタデータ） (2025-10-24T12:55:48Z) - AgentPack: A Dataset of Code Changes, Co-Authored by Agents and Humans [46.56091965723774]
コード編集のための微調整された大きな言語モデルは、一般的にコミットのマイニングやプルリクエストに依存しています。
我々は、Claude Code、OpenAI Codex、Cursor Agentが共著した1.3Mコード編集コーパスであるAgentPackを紹介する。
AgentPackで微調整されたモデルは、以前の人間のみのコミットコーパスで訓練されたモデルより優れていることを示す。
論文 参考訳（メタデータ） (2025-09-26T05:28:22Z) - ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。
LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
論文 参考訳（メタデータ） (2023-11-16T12:03:21Z)
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。