論文の概要: CodeMeepo: A Multi-Agent Workflow for Repository-Level Code Migration and Optimization
- arxiv url: http://arxiv.org/abs/2610.34633v1
- Date: Sun, 25 Oct 2026 23:15:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.651116
- Title: CodeMeepo: A Multi-Agent Workflow for Repository-Level Code Migration and Optimization
- Title（参考訳）: CodeMeepo:リポジトリレベルのコードのマイグレーションと最適化のためのマルチエージェントワークフロー
- Abstract要約: リポジトリレベルのコードマイグレーションは新しいプログラミング言語でプロジェクト全体を書き換える。
CodeMeepoは大規模なリポジトリの完全かつ効率的なマイグレーションのためのパイプラインである。
- 参考スコア（独自算出の注目度）: 0.030347171146877645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Repository-level code migration rewrites an entire project in a new programming language while preserving its observable behavior. It is challenging because behavior spans interdependent modules, dependencies and build infrastructure must be adapted to the target ecosystem, and the source code is often the only specification. Large language model agents can now attempt these migrations end to end, but three challenges remain. First, an agent that writes both the translation and its acceptance tests may overlook the same requirements in both, leaving missing or incorrect behavior undetected. Second, large repositories can exceed a model's context window, and dividing the work into smaller tasks does not ensure that all required behavior is migrated. Third, even behaviorally correct translations may be slower than the original implementation. We present CodeMeepo, a multi-agent pipeline for complete and efficient migration of large repositories. Each milestone is evaluated against a fixed external oracle that the agents neither author nor modify. A separate parity assessment compares source and target components in scope and adds identified gaps back into the plan as required work. Ordered milestones limit the scope of each task, while cumulative regression checks guard against breaking already-migrated behavior. A benchmark-guided optimization phase addresses performance, followed by full-suite conformance testing and repair. Eight specialized agent roles communicate through file artifacts, and a deterministic state machine governs repair, deferral, scope changes, and termination. On nine subjects in three language pairs, CodeMeepo achieves the best pass rate on every subject and passes 18% more tests than a state-of-the-art multi-agent baseline using the same model. On a production daemon, its optimization phase improves half of the benchmarks, by 25% on average.
- Abstract（参考訳）: リポジトリレベルのコードマイグレーションは、可観測性を維持しながら、新しいプログラミング言語でプロジェクト全体を書き換える。
なぜなら、振る舞いは相互依存モジュールにまたがるため、依存関係とビルドインフラストラクチャはターゲットのエコシステムに適応する必要があるため、ソースコードが唯一の仕様であることが多いからです。
大規模な言語モデルエージェントは、これらの移行をエンドツーエンドで試すことができるようになったが、3つの課題が残っている。
第一に、翻訳と受入テストの両方を書くエージェントは、両方で同じ要件を見落とし、見当たらない動作や誤検出を残さずにすむことがある。
第二に、大規模なリポジトリはモデルのコンテキストウインドウを越えることができ、作業を小さなタスクに分割しても、すべての必要な振る舞いが移行されることは保証されない。
第三に、動作的に正しい翻訳であっても、元の実装よりも遅いかもしれない。
大規模なリポジトリの完全かつ効率的なマイグレーションのためのマルチエージェントパイプラインであるCodeMeepoを紹介する。
各マイルストーンは、エージェントが著者も変更もしない固定された外部のオラクルに対して評価される。
個別のパリティアセスメントは、スコープ内のソースとターゲットコンポーネントを比較し、必要な作業として計画に特定されたギャップを追加します。
順序付けられたマイルストーンは各タスクの範囲を制限し、累積回帰は、既に移行した振る舞いを壊すのを防ぐ。
ベンチマーク誘導最適化フェーズはパフォーマンスに対処し、完全な適合性テストと修復が続く。
8つの特殊エージェントロールがファイルアーティファクトを介して通信し、決定論的状態マシンが修復、延期、スコープ変更、終了を管理する。
3つの言語ペアの9つの被験者に対して、CodeMeepoは同じモデルを使用して、最先端のマルチエージェントベースラインよりも18%多くのテストに合格する。
プロダクションデーモンでは、その最適化フェーズはベンチマークの半分を平均25%改善する。
関連論文リスト
- Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models [87.94969284553706]
エンド・ツー・エンドのpass@$K$は、成功した振る舞いがベースモデルのディストリビューションにすでに現れるかどうかをテストする。
コールドスタートからハーネスを駆動するために、ベースチェックポイントを必要としない3つのスクリーンを構築します。
3つの画面はいずれも、ポストトレーニング後のSWE-bench Verified pass@$1$と密接に一致して、コホートをランク付けする。
論文 参考訳（メタデータ） (2026-10-07T17:37:19Z) - OOPMAS: Object-Oriented Multi-Agent Systems for Query-Level Workflow Generation [55.27793983826255]
OOPMASは、エージェントセットと調整ワークフローの両方を個々のクエリの粒度で生成する、トレーニング不要のフレームワークである。
コード、数学、QAにまたがるクエリの混合タスクベンチマークでは、OOPMASは89.6%の精度を達成し、最強のベースラインを18.1ポイント上回っている。
論文 参考訳（メタデータ） (2026-10-06T05:31:29Z) - SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams [55.90739575113059]
再利用の欠如は、関連するタスクのクラスタによって共有される解決手順であり、その周りでSkillGLoWを構築している、と我々は主張する。
4つのベンチマーク(数学的推論、端末の自動化、ソフトウェア修復、実施制御)と3つのモデルで、前者は平均17.2ポイント(ハード)を獲得している。
論文 参考訳（メタデータ） (2026-09-02T07:31:18Z) - Entropy-based Code Adversarial Translation for Real-world Repository Migration [8.116680244752237]
We propose Entropy-based Code Adversarial Translation (ECAT) for Android-to-HarmonyOS repository migration。
ECATは、ジェネレータ-ディスクリミネータアーキテクチャによる逆エントロピー最小化としてリポジトリマイグレーションを定式化する。
A2H-RepoBenchは、Android-to-HarmonyOSリポジトリ移行のための最初の実世界のベンチマークです。
論文 参考訳（メタデータ） (2026-08-10T08:29:29Z) - LegacyTranslate: LLM-based Multi-Agent Method for Legacy Code Translation [6.639896614747016]
LegacyTranslateは、API対応コード翻訳のためのマルチエージェントフレームワークである。
Initial Translation Agentは、検索したインコンテキストの例を使って、初期Java翻訳を生成する。
API Grounding Agentは、API知識ベースから関連するエントリを取得することで、コードを既存のAPIと整合させる。
Refinement Agentは、コンパイラフィードバックとAPI提案を使用して出力を反復的に洗練し、正確性を改善する。
論文 参考訳（メタデータ） (2026-03-14T17:51:07Z) - DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。
ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。
DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
論文 参考訳（メタデータ） (2025-12-07T09:23:48Z) - Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。
単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。
現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。
AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
論文 参考訳（メタデータ） (2025-09-29T18:20:27Z) - Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。
4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。
一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
論文 参考訳（メタデータ） (2025-08-05T12:52:09Z) - CodeAgents: A Token-Efficient Framework for Codified Multi-Agent Reasoning in LLMs [16.234259194402163]
マルチエージェント推論を符号化し、マルチエージェントシステムにおける構造化されたトークン効率の計画を可能にするプロンプトフレームワークであるCodeAgentsを紹介する。
その結果, 計画性能は一貫した改善がみられ, 基本となる自然言語よりも3～36ポイントの絶対的な向上が見られた。
論文 参考訳（メタデータ） (2025-07-04T02:20:19Z) - A Unified Debugging Approach via LLM-Based Multi-Agent Synergy [39.11825182386288]
FixAgentはマルチエージェントのシナジーによる統合デバッグのためのエンドツーエンドフレームワークである。
1.25$times$ 2.56$times$レポレベルのベンチマークであるDefects4Jのバグを修正した。
論文 参考訳（メタデータ） (2024-04-26T04:55:35Z)
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。