論文の概要: Rivet: Utility-Preserving Context Control for Repository-Level Coding Agents

• arxiv url: http://arxiv.org/abs/2610.34967v1
• Date: Mon, 26 Oct 2026 07:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.787024
• Title: Rivet: Utility-Preserving Context Control for Repository-Level Coding Agents
• Title（参考訳）: Rivet: Repository-Level コーディングエージェントのためのユーティリティ保護コンテキスト制御
• Abstract要約: リポジトリレベルのコード生成は、エージェントに既存のリポジトリ内でタスク要求を実装するように要求する。 リポジトリで機能するコードを生成するには、ターゲット位置、ヘルパー定義、呼び出し元の使用方法、設定制約など、リポジトリのエビデンスが必要です。 我々は、固定されたコンテキスト予算の下で、コーディングエージェントのリポジトリエビデンスを保存するコンテキスト制御フレームワークであるRivetを提案する。
• 参考スコア（独自算出の注目度）: 10.176446133822248
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Repository-level code generation asks an agent to implement a task requirement inside an existing repository. To produce code that works in the repository, the agent needs repository evidence, such as target locations, helper definitions, caller usages, and configuration constraints, which determine how the code should be located, integrated, and executed. Because the context budget cannot hold the entire repository, existing retrieval, compression, and structure-aware methods select context by task similarity, context length, or structural proximity, but these criteria do not directly measure whether the selected context contains this evidence. As a result, the selected context can appear relevant to the task yet miss the evidence that the implementation depends on. We call this failure mode context utility dilution. In this paper, we propose Rivet, a context control framework that preserves repository evidence for coding agents under a fixed context budget. Rivet, first uses Signal Grounding to select task-related code anchors by fusing lexical, semantic, and structural signals. Utility Linking then expands these anchors through dependency, usage, and configuration relations to collect repository evidence. Finally, Budget Shaping packs the evidence by priority and, when the budget is tight, reduces snippets to signatures or summaries before dropping them. We evaluate Rivet, on two executable repository-level benchmarks, DevEval and RepoExec, with four backbone models, two context budgets (4K and 8K tokens), and eight baselines. Rivet, achieves the highest Pass@1 in all 16 settings and improves over the strongest baseline by 3.73--5.15 percentage points on average. Moreover, GPT-5-mini with Rivet, outperforms GPT-5 without Rivet,on both benchmarks while reducing inference cost by 73.3%--84.5%.
• Abstract（参考訳）: リポジトリレベルのコード生成は、エージェントに既存のリポジトリ内でタスク要求を実装するように要求する。 リポジトリで機能するコードを生成するには、ターゲット位置、ヘルパー定義、呼び出し元の使用、設定制約といったリポジトリのエビデンスが必要である。 コンテキスト予算は、リポジトリ全体を保持できないため、既存の検索、圧縮、構造対応の手法は、タスク類似性、コンテキスト長、構造的近接性によってコンテキストを選択するが、これらの基準は、選択されたコンテキストにこの証拠が含まれているかどうかを直接測定しない。 結果として、選択されたコンテキストはタスクに関連するように見えるが、実装が依存する証拠を見逃す可能性がある。 この障害モードをコンテキストユーティリティダイオースと呼びます。 本稿では,固定されたコンテキスト予算の下で,コーディングエージェントのリポジトリ証拠を保存するコンテキスト制御フレームワークであるRivetを提案する。 Rivetは、まずSignal Groundingを使用して、語彙、意味、構造的な信号を融合することで、タスク関連のコードアンカーを選択する。 ユーティリティリンクは、依存関係、使用状況、設定の関係を通じてこれらのアンカーを拡張して、リポジトリのエビデンスを収集する。 最後に、Budget Shapingは、エビデンスを優先的にパッケージし、予算が厳しければ、スニペットをシグネチャや要約に減らす。 我々はRivetを、DevEvalとRepoExecの2つの実行可能なリポジトリレベルのベンチマークで評価し、4つのバックボーンモデル、2つのコンテキスト予算(4Kと8Kトークン)、8つのベースラインで評価した。 Rivetは16設定で最高パス@1を獲得し、最強のベースラインを平均3.73～5.15ポイント改善している。 さらに、GPT-5-mini は Rivet を使わずに GPT-5 を上回っ、推論コストを 73.3%--84.5% 削減した。

関連論文リスト

• TextualRL: Textual Reinforcement Learning for Context Management [55.50029888438733]
  TextualRLは勾配のない強化学習フレームワークで、同じタスクから同じコンテキスト下でロールアウトするグループを扱う。 Groupwise Policy Critiqueは、タスク内の成功と失敗のロールアウトを対比し、保存する価値のある行動や補修仮説を定式化するためのクロスタスクの証拠を描いている。 Cross-Group Policy Updateは、グループ間でプールされた証拠に対する提案をレビューした。
  論文  参考訳（メタデータ） (2026-10-13T11:47:32Z)
• Acquiring and Verifying Repository Norms for Coding Agents [10.184911943264513]
  RepoNormは、コーディングタスクとは独立して、明示的で暗黙的なリポジトリノルムを取得する。 リポジトリエビデンスを使用して標準コンテンツと適用性をチェックし、必要に応じてGit履歴をコンサルティングし、既存のコーディングエージェントに標準パッケージを提供する。
  論文  参考訳（メタデータ） (2026-10-06T04:53:48Z)
• From Reasoning Failures to Composable Video Spatial Intelligence [53.31188726177487]
  我々は,映像空間推論を支援するために,利用可能な証拠の上に機能する,型付き幾何演算子と空間スキルのトレーニングフリーライブラリを開発した。 これらの利点は、空間的慣行の明示的なハンドリングが、追加のトレーニングなしで体系的な推論失敗を修復できることを証明している。
  論文  参考訳（メタデータ） (2026-10-01T16:31:19Z)
• Adaptive Critical Token-Aware Retrieval for Repository-Level Code Generation [53.85136813868056]
  ACToRは、リポジトリレベルのコード生成のための適応型クリティカルトークン対応検索フレームワークである。 我々は、ACToRが、リポジトリレベルのベンチマークにおいて、最先端のメソッドを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-09-01T17:59:39Z)
• Agent Retrieval Bench: Evaluating Repository Context Retrieval for Coding Agents [8.81342573156581]
  Agent Retrieval Benchはこの上流検索問題のファイルレベルベンチマークである。 ベンチマークでは、code2test、 comment2context、 trace2code、Edit2rippleの4つの肯定的なタスクがカバーされている。 コーパスには308のベースコミットスナップショット、392,000ファイル、7.9百万チャンクが含まれている。
  論文  参考訳（メタデータ） (2026-07-27T09:39:09Z)
• RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
  本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。 RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。 RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
  論文  参考訳（メタデータ） (2026-05-25T06:26:43Z)
• Toward Executable Repository-Level Code Generation via Environment Alignment [9.29037042726132]
  EnvGraphはリポジトリレベルのコード生成のためのフレームワークで、環境アライメントの問題としてリポジトリの実行可能性を定義する。 継続的にリポジトリレベルのベンチマークで最高のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2026-04-04T07:37:55Z)
• In Line with Context: Repository-Level Code Generation via Context Inlining [11.065371614078723]
  本稿では,リポジトリレベルのコード生成のための新しいフレームワークであるInlineCoderを紹介する。 InlineCoderは、未完成の関数をコールグラフにインライン化することで、リポジトリコンテキストの理解を強化する。
  論文  参考訳（メタデータ） (2026-01-01T15:56:24Z)
• RustRepoTrans: Repository-level Code Translation Benchmark Targeting Rust [50.65321080814249]
  RustRepoTransは、インクリメンタル翻訳をターゲットにした、最初のリポジトリレベルのコンテキストコード変換ベンチマークである。 複雑な翻訳シナリオの制約を評価するために, 7つの代表的なLLMを評価し, それらの誤差を分析した。
  論文  参考訳（メタデータ） (2024-11-21T10:00:52Z)
• On The Importance of Reasoning for Context Retrieval in Repository-Level Code Editing [82.96523584351314]
  我々は、コンテキスト検索のタスクをリポジトリレベルのコード編集パイプラインの他のコンポーネントと分離する。 我々は、推論が収集された文脈の精度を向上させるのに役立っているが、それでもその十分性を識別する能力は欠如していると結論づける。
  論文  参考訳（メタデータ） (2024-06-06T19:44:17Z)

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。