論文の概要: Soei: Structured Observability of Evidence and Intent for Multi-Agent AI Software Engineering

• arxiv url: http://arxiv.org/abs/2610.39468v1
• Date: Thu, 29 Oct 2026 06:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.053007
• Title: Soei: Structured Observability of Evidence and Intent for Multi-Agent AI Software Engineering
• Title（参考訳）: Soei: マルチエージェントAIソフトウェアエンジニアリングにおけるエビデンスとインテントの構造的可観測性
• Abstract要約: 開発者がその仕事に戻るとき、便利な質問はモデルが何と言ったのかではなく、実際に何をしたのか、誰がそれを完了したのかである。 我々は、エージェントをコーディングするためのオープンソースのローカルオブザーバビリティツールであるAgentrailを、e4ba2daコミット時のソースに対して検証する。 私たちは45の実際のコーディングエージェントセッションでシステムのプロトタイプを実行しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI coding agents now do long, multi-step and multi-session software work with little supervision. When a developer comes back to that work, the useful question is not what the model said but what was actually done, by whom, and whether it is finished. We study this in three parts. First, we verify Agenttrail, an open-source local observability tool for coding agents, against its source at commit e4ba2da: nine documented constants and mechanisms hold at file-and-line level, two event pipelines are never unified, and its Map service has an unauthenticated local mutation surface. Second, we run a prototype of our system on 45 real coding-agent sessions (102,233 records, 20,577 tool executions, 2,336 human-to-agent episodes). With a blind-audited classifier (precision 83.3% and 96.7%) we estimate that 23.4% (95% CI 17.1 to 35.7) of code-editing episodes end with no independent check after the last edit, and that 57.8% of to-dos the agent marked complete after editing had no proof in between. A 10-minute timing heuristic for session hand-offs recovers 6 of the 24 session pairs that content lineage links. 42% of sessions run longer than 24 hours, 48.1% of transcript bytes lie past a 2 MiB replay bound, and 1,326 records in 16 sessions contain credential-like strings. Third, we propose Soei (Structured Observability of Evidence and Intent): an acknowledgement-aware event schema, a hash-chained local ledger, a W3C PROV-aligned graph, calibrated inference for attribution and lineage, and a verification layer that keeps a claim of completion apart from proof. On the same corpus the ledger is 20% of raw size, holds no content or credentials, verifies at about 126k events/s, detects tampering and replays deterministically. We position the work against concurrent 2026 proposals and define autonomy levels with evidence gates and harness metrics baselined on our data.
• Abstract（参考訳）: AIコーディングエージェントは、長くて多ステップでマルチセッションなソフトウェアをほとんど監督しない。 開発者がその仕事に戻るとき、便利な質問はモデルが何と言ったのかではなく、実際に何をしたのか、誰がそれを完了したのかである。 私たちはこれを3つに分けて研究する。 まず、エージェントをコーディングするためのオープンソースのローカルオブザーバビリティツールであるAgentrailを、e4ba2daコミット時のソースに対して検証する。9つのドキュメント定数とメカニズムがファイルと行レベルで保持され、2つのイベントパイプラインが統一されることはない。 第2に、45の実際のコーディングエージェントセッション(102,233のレコード、20,577のツール実行、2,336のヒューマン・ツー・エージェント・エピソード)でシステムのプロトタイプを実行する。 ブラインド監査分類器(精度83.3%、96.7%)では、コード編集エピソードの23.4%(95% CI 17.1から35.7)が最終編集後に独立したチェックなしで終了し、編集後に完了したとマークされたエージェントの57.8%が間に証拠がないと見積もっている。 セッションハンドオフのための10分間のタイミングヒューリスティックは、コンテンツラインがリンクする24のセッションペアのうち6を回復する。 42%のセッションが24時間以上実行され、48.1%のスクリプティングバイトが2MiBリプレイバウンドを越えており、16セッションの1,326レコードはクレデンシャルのような文字列を含んでいる。 第3に,Soei (Structured Observability of Evidence and Intent) というイベントスキーマ,ハッシュチェーンのローカル台帳,W3C PROV対応グラフ,属性と系統のキャリブレーション推論,証明から分離した完了のクレームを保持する検証層を提案する。 同じコーパスでは、台帳は生サイズの20%で、内容や資格を保持せず、約126kのイベント/sで検証し、改ざんやリプレイを確定的に検出する。 我々は、2026年の同時提案に対して作業を配置し、エビデンスゲートで自律レベルを定義し、データに基づいてメトリクスを活用します。

関連論文リスト

• Beyond Benchmarks: Can Small Open-Weight Models Get Real Coding Work Done? [0.0]
  このレポートは、コーディングクライアント間の2026年7月から10月までの私のエンジニアリング作業に続くものです。 サービスされたモデル、一貫性のあるテキスト、実行されたツール呼び出し、独立した振る舞いチェックをパスするコードは、明確な進捗レベルであることが判明した。
  論文  参考訳（メタデータ） (2026-10-25T12:15:46Z)
• Assay: Claims That Decay With the Code. Content-Addressed Evidence Graphs for Accountable AI-Assisted Software Delivery [0.0]
  我々はAIコーディングエージェントのための依存性のないツールを開発した。 エージェントが行うすべてのクレーム(テストはパスせず、シークレットも保存されない)は、それがカバーするコードの依存性コーンのMerkleハッシュに結びついています。 我々は、結合は音で最小限であり、変化の爆発半径は、それが無効化する主張の集合であることを示した。
  論文  参考訳（メタデータ） (2026-09-28T19:40:35Z)
• Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
  別々のセッションで作業する調査エージェントは、他の人が試したことと、構築可能な結果を知る必要がある。 各コミットは結果、洞察、仮説、検証、報告を記録し、それを以前の作業とリンクする。 約12日間に渡り,13人の言語モデル労働者がアゴラを重み移動問題の解決に利用したことを報告した。
  論文  参考訳（メタデータ） (2026-09-16T04:00:54Z)
• NovaFabric: Tamper-Evident, Replayable Evidence for Autonomous AI Agent Runs [0.0]
  我々はNovaFabricを紹介し、監査グレードの実行証拠を作成している。 エージェントロジックを変更することなく実行中のエージェントを、ポータブルなRun Capsuleに記録する。 シードランは4モードのリプレイプロトコルで再実行可能である。 我々は8つの研究課題を測定範囲で評価した。
  論文  参考訳（メタデータ） (2026-09-11T08:35:43Z)
• From Traceability to Justifiability: Accountability Structures in Agentic Software Engineering [0.0]
  公開資料のみから、AIレコードがクレームを表現できるかどうか、宣言された場所を保持できるかどうかを測定する。 188個の二重グレード細胞で、デフォルトレコードが行動システムのコンテンツアイデンティティを出力するプラットフォームは見つからなかった。 計器は、パイプラインが発行した排気のみからの保証深度を計算し、宣言された深さと比較する。
  論文  参考訳（メタデータ） (2026-08-21T16:45:00Z)
• Turning Interaction History into Execution State: A Runtime Layer for Long-Horizon Coding Agents [48.967927222079965]
  Ledgerは、エージェントの完了したインタラクションを明示的な実行状態に蒸留するランタイム層である。 Ledgerはこの状態をオンライン実行台帳に保持し、各ステップの2つのバウンダリに適用される。 500のSWE-bench検証インスタンス全体で、LedgerはPass@1を56.2%から64.2%に、GPT-5 miniを75.8%から81.0%に、MiniMax M2.5を81.0%に引き上げている。
  論文  参考訳（メタデータ） (2026-08-01T18:25:00Z)
• Detecting AI Coding Agents in Open Source: A Validated Multi-Method Census of 180 Million Repositories [2.36052383261568]
  ジェネレーティブAIコーディングエージェントが、オープンソースのサプライチェーンに参入している。 構成ファイルスキャン,コミットメッセージ解析,著者同一性マッチング,ボット署名検索を統合した多層検出フレームワークを提案する。 1つのメソッドがほんの少しのアクティビティをキャプチャすることはありません。
  論文  参考訳（メタデータ） (2026-06-23T11:05:42Z)
• ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents [77.22389710754452]
  マルチターンマルチデイタスクを中心に構築された同僚エージェントのベンチマークであるベンチを紹介する。 現在のリリースには、13のプロのシナリオにわたる100のタスクが含まれており、5つのステートフルなサンドボックスサービスに対して実行される。 最強のモデルは75.8の重み付きスコアに達するが、最も厳格なタスク成功率は20.0%に過ぎず、部分的な進歩が一般的であることを示している。
  論文  参考訳（メタデータ） (2026-04-26T16:05:02Z)
• ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
  ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。 それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。 評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
  論文  参考訳（メタデータ） (2026-04-05T17:55:23Z)

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。