論文の概要: From Cosmetic to Structural: A Paired Experiment on Metric-Guided Agentic Refactoring

• arxiv url: http://arxiv.org/abs/2610.33343v1
• Date: Fri, 23 Oct 2026 22:28:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.3057
• Title: From Cosmetic to Structural: A Paired Experiment on Metric-Guided Agentic Refactoring
• Title（参考訳）: 宇宙から構造へ:計量誘導型エージェントリファクタリングに関するペア実験
• Abstract要約: 静的解析の明確なフィードバックがこのギャップを埋めるかどうかを考察する。 その結果, エージェントが化粧品の編集を行なわず, 構造的な操作に移行することが判明した。 我々の結果は、AIチームメイトが同様の静的分析フィードバックの恩恵を受けることを示唆している。
• 参考スコア（独自算出の注目度）: 5.870127410273465
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The role of coding agents is expanding beyond writing new code toward maintaining existing systems as AI teammates. Yet recent studies show that agent refactorings favor superficial, consistency-oriented edits over structural transformations needed to resolve Technical Debt (TD). We investigate if explicit static-analysis feedback closes this gap. Through the CodeScene MCP server, we give an open-source agent (gptme) access to code smell reports and CodeHealth (CH) scores (1--10, higher is better), and compare guided against unguided refactorings in a paired experiment covering $24{,}620$ single-file competitive programming solutions in C++, Java, and Python. We find that guidance shifts the agent from performing cosmetic edits toward structural operations, raising the rate of effective refactorings by $21$--$26$ percentage points. The benefit depends on initial code quality, with language-dependent break-even points at CH $4.9$--$7.1$, below where the structural transformations pushed by guidance increasingly risk regression, indicating where the agent needs more support to refactor. Guided runs also shift the failure profile toward logical test failures, introduce new coupling smells, and consume $\sim$$3$--$5\times$ more tokens over $\sim$$2\times$ as many interaction turns. Our results indicate that AI teammates can benefit from similar static-analysis feedback that human developers already use, enabling structural transformations toward more effective TD remediation, at a higher token cost and more interaction turns.
• Abstract（参考訳）: コーディングエージェントの役割は、AIチームメイトとして既存のシステムを維持するために、新しいコードを書くことを超えて拡大している。 しかし、最近の研究では、エージェントリファクタリングは技術的負債(TD)を解決するのに必要な構造的変換よりも表面的で一貫性を重視した編集を好むことが示されている。 静的解析の明確なフィードバックがこのギャップを埋めるかどうかを考察する。 CodeScene MCPサーバを通じて、コードの臭いレポートとCodeHealth(CH)スコア(1～10以上)へのアクセスをオープンソースエージェント(gptme)に提供し、C++、Java、Pythonのシングルファイル競合プログラミングソリューションを24,620ドル(約2万2000円)でカバーするペア実験において、ガイドされていないリファクタリングと比較します。 その結果, エージェントは化粧品の編集から構造的操作へ移行し, 効果的なリファクタリング率を21ドル～26ドル程度に向上させることができた。 利点は、初期コード品質に依存しており、言語依存のブレークエクイティポイントであるCH $4.9$-$7.1$、以下は、ガイダンスによってプッシュされる構造変換がリスクレグレッションを増大させ、エージェントがリファクタリングをサポートする必要がある場所を示している。ガイドドは、障害プロファイルを論理的なテスト失敗にシフトし、新しい結合臭いを導入し、$\sim$3$-$5\times$を消費する。多くのインタラクションが変わるにつれて、$\sim$2\times$よりも多くのトークンを消費する。 我々の結果は、AIチームメイトが、人間の開発者がすでに使っているような静的分析フィードバックの恩恵を受けられることを示唆している。

関連論文リスト

• Parallel AI Agent Collaboration as Graph-Structured Distributed Block Optimization [51.43213415859029]
  並列AIエージェントは、有効なローカル編集を生成できるが、編集が組み合わされた場合、共有ソリューションを分解できることが示される。 独立集合は、同じ現在の解に対して測定された検証されたゲインが正確に加算された互換性のある編集を認証する。 最適な分数カラー化は、検証された局所改善の合計の1/f(G)=1/f(G)の分数を保持する合併をもたらすことを証明している。
  論文  参考訳（メタデータ） (2026-10-21T17:27:17Z)
• SmellBench: Evaluating LLM Agents on Architectural Code Smell Repair [1.6922906233636834]
  アーキテクチャコードはソフトウェアの保守性を損なうため、手作業で修理するのにコストがかかる。 本稿では,大規模言語モデルエージェントによる建築コードの臭いの修復に関する経験的評価について述べる。 SmellBenchは、嗅覚タイプ固有の最適化プロンプトを組み込んだタスクオーケストレーションフレームワークです。
  論文  参考訳（メタデータ） (2026-05-07T22:33:32Z)
• Dynamic analysis enhances issue resolution [53.50448142467294]
  DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。 テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
  論文  参考訳（メタデータ） (2026-03-23T14:48:54Z)
• Improving Code Comprehension through Cognitive-Load Aware Automated Refactoring for Novice Programmers [2.824062086518866]
  初心者プログラマは、あいまいな命名、深いネスト、貧弱な構造組織のために、コードを理解するのに苦労することが多い。 我々は,認知的足場としてコードを提案する。 私たちはこれを認知駆動開発に基づく自動化アプローチであるCDDRefactorERで運用しています。
  論文  参考訳（メタデータ） (2026-03-17T17:01:44Z)
• Agentic Refactoring: An Empirical Study of AI Coding Agents [9.698067623031909]
  OpenAI Codex、Claude Code、Cursorといったエージェントコーディングツールは、ソフトウェアエンジニアリングの展望を変えつつある。 これらのAI駆動システムは、複雑な開発タスクの計画と実行が可能な自律的なチームメイトとして機能する。 エージェントが実際にどのように利用されるのか、どのように人間駆動型なのか、そしてそれがコード品質に与える影響について、実証的な理解が欠如している。
  論文  参考訳（メタデータ） (2025-11-06T21:24:38Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
  大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。 不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。 本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
  論文  参考訳（メタデータ） (2024-08-02T03:25:20Z)

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。