論文の概要: OpenDraco: A Platform for Engineering and Experimenting with Configurable Multi-Agent Architectures for Software Engineering

• arxiv url: http://arxiv.org/abs/2610.32686v1
• Date: Fri, 23 Oct 2026 14:17:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.544517
• Title: OpenDraco: A Platform for Engineering and Experimenting with Configurable Multi-Agent Architectures for Software Engineering
• Title（参考訳）: OpenDraco: ソフトウェアエンジニアリングのための構成可能なマルチエージェントアーキテクチャによるエンジニアリングと実験のためのプラットフォーム
• Abstract要約: 実験活動をひとつのワークフローに統合するオープンソースプラットフォームであるOpenDracoを紹介します。 自動プログラム修復(APR)のためにOpenDracoをインスタンス化し、逐次ベースラインと7つの再構成構成を評価する。 その結果, 同様の補修結果が得られた構成において, 大幅なコスト差が認められた。
• 参考スコア（独自算出の注目度）: 5.6063157789389875
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Experimenting with LLM-based multi-agent systems (MAS) involves an iterative cycle of modeling configurations, executing and evaluating them, comparing results, and refining system designs. Existing approaches provide limited end-to-end support for this experimentation lifecycle. We present OpenDraco, an open-source platform that integrates these activities into a single workflow. OpenDraco represents agents, prompts, tools, models, parameters, and communication topology in exportable, versioned JSON specifications, translated into executable LangGraph workflows supporting different interaction structures. Users can modify and re-evaluate configurations using local or cloud-based LLMs. We instantiate OpenDraco for automated program repair (APR) and evaluate a sequential baseline and seven reconstructed configurations on synthetic and real-world SWE-bench Lite issues. The results reveal substantial cost differences among configurations with similar repair outcomes, while the baseline resolves 12 of 77 SWE-bench issues using open-source LLMs. Additional proof-of-concept tasks illustrate applicability beyond APR. OpenDraco supports iterative experimentation with heterogeneous MAS configurations, enabling researchers to examine their outcomes and costs within a common environment. Demonstration video: https://youtu.be/278sOR4lBEk.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)の実験には、構成をモデリングし、それらを実行および評価し、結果を比較し、システム設計を精査する反復サイクルが含まれる。 既存のアプローチは、この実験ライフサイクルに対して限定的なエンドツーエンドのサポートを提供します。 私たちは、これらのアクティビティを単一のワークフローに統合するオープンソースのプラットフォームであるOpenDracoを紹介します。 OpenDracoは、エクスポート可能なバージョン付きJSON仕様でエージェント、プロンプト、ツール、モデル、パラメータ、通信トポロジを表し、異なるインタラクション構造をサポートする実行可能なLangGraphワークフローに変換される。 ローカルまたはクラウドベースのLLMを使用して構成を変更し、再評価することができる。 自動プログラム修復(APR)のためにOpenDracoをインスタンス化し、合成および実世界のSWE-bench Lite問題に対して逐次ベースラインと7つの再構成構成を評価する。 その結果,SWEベンチ問題77件のうち12件をオープンソースLCMで解決した。 追加の概念実証タスクは、APRを超える適用性を示している。 OpenDracoは異種MAS構成による反復的な実験をサポートし、研究者は共通の環境における結果とコストを調べることができる。 デモビデオ: https://youtu.be/278sOR4lBEk.com

関連論文リスト

• MetaConfigurator: AI-Assisted RDF Authoring from JSON Data [0.0]
  本稿では,オープンソースエディタMetaConfiguratorを拡張したRDFオーサリングビューを提案する。 我々は、AI-assistedLマッピングを使用して既存のYAMLまたはCSVデータをRDFに変換し、トリプルを洗練し、SPARQLクエリを実行し、知識グラフを視覚化し、単一のWebインターフェース内でRDFシリアライズをエクスポートする。
  論文  参考訳（メタデータ） (2026-06-05T09:42:01Z)
• Operationalizing Document AI: A Microservice Architecture for OCR and LLM Pipelines in Production [0.07083294473439815]
  本稿では、分類、光学文字認識(OCR)、大規模言語モデル構造化フィールド抽出のための複数のモデルのパイプラインをカプセル化するマイクロサービスアーキテクチャを提案する。 我々は、ハイブリッドな分類、CPUバウンドオーケストレーションからのGPUバウンド推論の分離、パイプライン内の多くのIOバウンド操作に対する非同期処理の使用、独立した水平スケーリング戦略を含む、私たちの主要な設計決定について説明する。 私たちのゴールは、ベンチマークを超えて動作する文書理解システムを構築するための具体的なアーキテクチャパターンを実践者に提供し、本番環境でモデルを効果的に運用することです。
  論文  参考訳（メタデータ） (2026-05-12T13:07:34Z)
• Automating Structural Analysis Across Multiple Software Platforms Using Large Language Models [9.633815551015745]
  本研究では,複数のソフトウェアプラットフォームにまたがるフレーム構造解析を自動化するLLMを開発する。 LLMは、ETABS、SAP2000、OpenSeesの3つの広く使われているプラットフォームで20の代表的なフレーム問題を用いて評価される。 10回の反復試験の結果、一貫して信頼性のある性能を示し、すべてのケースで90%を超える精度を達成した。
  論文  参考訳（メタデータ） (2026-04-10T19:49:15Z)
• EnvScaler: Scaling Tool-Interactive Environments for LLM Agent via Programmatic Synthesis [101.67583081810136]
  大規模言語モデル(LLM)は、様々な現実世界環境においてエージェントとして機能するよう訓練されることが期待されている。 このプロセスはリッチで多様なツール・インタラクション・サンドボックスに依存している。 スケーラブルなツールインタラクション環境のための自動化フレームワークであるEnvScalerを提案する。
  論文  参考訳（メタデータ） (2026-01-09T14:32:06Z)
• Let It Flow: Agentic Crafting on Rock and Roll, Building the ROME Model within an Open Agentic Learning Ecosystem [90.17610617854247]
  本稿では,エージェントモデルの生産パイプラインを最適化する基盤インフラであるエージェント学習エコシステム(ALE)を紹介する。 ALEは、重量最適化のためのトレーニング後のフレームワークであるROLL、軌道生成のためのサンドボックス環境マネージャであるROCK、効率的なコンテキストエンジニアリングのためのエージェントフレームワークであるiFlow CLIの3つのコンポーネントで構成されている。 ROMEはALEが基盤として100万件以上のトラジェクトリをトレーニングしたオープンソースエージェントです。
  論文  参考訳（メタデータ） (2025-12-31T14:03:39Z)
• Beyond Isolated Dots: Benchmarking Structured Table Construction as Deep Knowledge Extraction [80.88654868264645]
  Arranged and Organized extract Benchmarkは、断片化された文書を理解するための大規模言語モデルの能力を評価するために設計された。 AOEには3つの異なるドメインにまたがる11のタスクが含まれており、さまざまな入力クエリに適したコンテキスト固有のスキーマを生成するモデルが必要である。 結果は、最も先進的なモデルでさえ、かなり苦労したことを示している。
  論文  参考訳（メタデータ） (2025-07-22T06:37:51Z)
• ORAssistant: A Custom RAG-based Conversational Assistant for OpenROAD [0.0]
  Retrieval-Augmented Generation(RAG)に基づくOpenROADの対話アシスタントORAsistant ORAsistantは、一般的なユーザクエリにコンテキスト固有の応答を提供することで、RTL-GDSIIからOpenROADフローのユーザエクスペリエンスを改善することを目的としている。 ORAsistantの構築とテストには,基本LLMモデルとしてGoogle Geminiを使用します。
  論文  参考訳（メタデータ） (2024-10-04T18:22:58Z)
• Enhancing Open-Domain Task-Solving Capability of LLMs via Autonomous Tool Integration from GitHub [79.31134731122462]
  オープンドメインのタスク解決能力を評価するためにOpenActベンチマークを導入します。 我々は,オープンドメインの進化するクエリに,GitHubから専門ツールを自律的に統合することで対処できる,新しいLLMベースのエージェントシステムであるOpenAgentを紹介する。
  論文  参考訳（メタデータ） (2023-12-28T15:47:30Z)
• CREPO: An Open Repository to Benchmark Credal Network Algorithms [78.79752265884109]
  クレダルネットワークは、確率質量関数の集合であるクレダルに基づく不正確な確率的グラフィカルモデルである。 CREMAと呼ばれるJavaライブラリが最近リリースされ、クレダルネットワークをモデル化し、処理し、クエリする。 我々は,これらのモデル上での推論タスクの正確な結果とともに,合成クレダルネットワークのオープンリポジトリであるcrrepoを提案する。
  論文  参考訳（メタデータ） (2021-05-10T07:31:59Z)

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。