論文の概要: HerAgent: A Block-Level Checkpointing Harness for Coding-Agent Environment Setup
- arxiv url: http://arxiv.org/abs/2611.18443v1
- Date: Fri, 13 Nov 2026 17:18:56 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:24:53.294788
- Title: HerAgent: A Block-Level Checkpointing Harness for Coding-Agent Environment Setup
- Title(参考訳): HerAgent: コーディングベースの環境設定のためのブロックレベルチェックポイントのハーネス
- Abstract要約: 本稿では,コーディングエージェント環境設定のためのブロックレベルのハーネスであるHerAgentを提案する。
HerAgentの主なコントリビューションはセマンティックセットアップブロックである。実行、検証、チェックポイント、修復、ロールバックに使用される単一のプログレスコントロール抽象化である。
また、最大94.5%のセットアップコストを削減し、ブロックレベルのプログレスコントロールが信頼性と効率を向上させることを示した。
- 参考スコア(独自算出の注目度): 15.944450159856602
- License:
- Abstract: Modern coding agents rely on establishing executable software environments before they can perform software engineering tasks such as testing, debugging, and patch validation. Existing setup agents typically control progress at either single-command or whole-script granularity, making recovery either too local to remove polluted state or too coarse to preserve useful progress. We present HerAgent (Harness EnviRonment Setup Agent), a block-level harness for coding-agent environment setup. HerAgent's main contribution is semantic setup blocks: a single progress-control abstraction used for execution, validation, checkpointing, repair, and rollback. Evaluated against six prior agents on four environment-setup datasets, HerAgent improves setup success in every comparison, achieving the largest gains on Installamatic-Bench (52.0% to 85.0%) and SetupBench (46.3% to 70.4%). It also reduces setup costs by up to 94.5%, showing that block-level progress control improves reliability and efficiency.
- Abstract(参考訳): 現代のコーディングエージェントは、テスト、デバッグ、パッチ検証といったソフトウェアエンジニアリングタスクを実行する前に、実行可能なソフトウェア環境を確立することに依存している。
既存のセットアップエージェントは、通常、単一コマンドまたは全スクリプトの粒度で進捗を制御するため、汚染状態を取り除くには局所的すぎるか、有益な進捗を維持するために粗いかのいずれかである。
本稿では,コーディングエージェント環境設定のためのブロックレベルのハーネスであるHerAgent(Harness EnviRonment Setup Agent)を提案する。
HerAgentの主なコントリビューションはセマンティックセットアップブロックである。実行、検証、チェックポイント、修復、ロールバックに使用される単一のプログレスコントロール抽象化である。
4つの環境設定データセット上の6つの先行エージェントに対して評価され、HerAgentは各比較におけるセットアップ成功を改善し、Installamatic-Bench(52.0%から85.0%)とSetupBench(46.3%から70.4%)で最大の利益を得る。
また、最大94.5%のセットアップコストを削減し、ブロックレベルの進捗制御が信頼性と効率を向上させることを示した。
関連論文リスト
- Embodied First Exam [174.26470416446247]
Embodied First Examは、物理世界に入る前に、コーディングエージェントの最初の試験として機能する。
47のロボットで35のスイートで1156のタスクをこなす。
456のコアタスクでは、最も強力な8つのエージェント、CodexのGPT-6 Astraが34%の成功率を達成した。
論文 参考訳(メタデータ) (2026-11-09T10:29:19Z) - Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning [104.97890382020937]
エージェントメタ推論は,制御選択を明示的かつ構造化する推論時ハーネスである。
ワーカーはタスクレベルの計算を実行し、コントローラは実行が確立したものを統合する。
決定の間、コントローラはその全履歴を再生するのではなく、実行時のコンパクトな説明しか持たない。
論文 参考訳(メタデータ) (2026-09-29T17:57:25Z) - Execution-Grounded Security Testing for Coding Agents in Software Engineering Pipelines [24.766671285910935]
コーディングエージェントはますますシステムオペレーションに統合されている。
これにより、セキュリティテストがシステムの問題になる。
この実行層セキュリティ境界を探索するための、実行地上のレッドチームテストフレームワークを提案する。
論文 参考訳(メタデータ) (2026-06-01T04:20:25Z) - AgentHijack: Benchmarking Computer Use Agent Robustness to Common Environment Corruptions [78.49000936275773]
我々は、一般的な汚職下でのコンピュータ利用エージェントの堅牢性を評価するために設計されたベンチマークであるAgentHijackを紹介する。
MLLMをベースとした各種デスクトップタスクを評価し, 汚職の小さな事例であっても, 大幅な性能劣化が生じることを確認した。
本稿では,動作の要約と環境チェックに責任を負う見物人として,アクションジェネレータと接地機能を統合したフレームワークであるAgent Hijack-Agentを提案する。
論文 参考訳(メタデータ) (2026-05-25T11:09:22Z) - SGAgent: Suggestion-Guided LLM-Based Multi-Agent Framework for Repository-Level Software Repair [22.745971570878435]
本稿では,リポジトリレベルのソフトウェア修復のためのSuggestion-Guided Multi-Agentフレームワークを提案する。
SGAgentは、局所化から修復への移行を強化するための提案段階を導入する。
3つの専門のサブエージェントが協力して、エンドツーエンドのソフトウェアの自動修復を実現します。
論文 参考訳(メタデータ) (2026-02-27T03:32:47Z) - HerAgent: Rethinking the Automated Environment Deployment via Hierarchical Test Pyramid [15.944450159856602]
環境設定の成功は、単一のバイナリ信号ではなく、実行可能なエビデンスによって評価されるべきである。
本稿では,実行環境を段階的に構築する自動環境設定手法であるHerAgentを提案する。
論文 参考訳(メタデータ) (2026-02-08T08:57:05Z) - WebGen-Agent: Enhancing Interactive Website Generation with Multi-Level Feedback and Step-Level Reinforcement Learning [51.14454312533818]
WebGen-Agentは、包括的で多層的な視覚フィードバックを活用する新しいWebサイト生成エージェントである。
WebGen-Agent の推論エンジンとして機能する LLM の能力を向上させるために,Screenshot と GUI-Adnt Feedback を備えた textitStep-GRPO を導入している。
WebGen-Agent は Claude-3.5-Sonnet の精度を 26.4% から 51.9% に引き上げ、外観スコアを 3.0 から 3.9 に引き上げた。
論文 参考訳(メタデータ) (2025-09-26T17:59:51Z) - SetupBench: Assessing Software Engineering Agents' Ability to Bootstrap Development Environments [2.184775414778289]
環境ブートストラップスキルを分離するベンチマークである setupbench を導入する。
私たちのタスクは7つの言語エコシステム、5つのデータベースエンジン、マルチサービスオーケストレーションシナリオにまたがっています。
特にリポジトリのセットアップ(38.9-57.4%)とローカルデータベースの設定(20.0-53.3%)に課題がある。
論文 参考訳(メタデータ) (2025-07-11T22:45:07Z) - OpenAgentSafety: A Comprehensive Framework for Evaluating Real-World AI Agent Safety [58.201189860217724]
OpenAgentSafetyは,8つの危機リスクカテゴリにまたがるエージェントの動作を評価する包括的なフレームワークである。
従来の作業とは異なり、我々のフレームワークは、Webブラウザ、コード実行環境、ファイルシステム、bashシェル、メッセージングプラットフォームなど、実際のツールと対話するエージェントを評価します。
ルールベースの分析とLSM-as-judgeアセスメントを組み合わせることで、過度な行動と微妙な不安全行動の両方を検出する。
論文 参考訳(メタデータ) (2025-07-08T16:18:54Z) - SafeAgentBench: A Benchmark for Safe Task Planning of Embodied LLM Agents [58.65256663334316]
我々は,対話型シミュレーション環境におけるLLMエージェントの安全性を考慮したタスク計画のための最初のベンチマークであるSafeAgentBenchを紹介する。
SafeAgentBenchは、(1)10の潜在的な危険と3つのタスクタイプをカバーするために厳格にキュレートされた750のタスクの実行可能な多種多様な高品質データセット、(2)低レベルコントローラを備えた普遍的な実施環境、9つの最先端ベースラインに対して17のハイレベルアクションでマルチエージェント実行をサポートするSafeAgentEnv、(3)実行とセマンティックの両方の観点から信頼性の高い評価方法を含む。
論文 参考訳(メタデータ) (2024-12-17T18:55:58Z)
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。