[論文レビュー] Large Language Model-Based Agents for Software Engineering: A Survey

Junwei Liu, Kaixin Wang+5 more|arXiv (Cornell University)|Sep 4, 2024

Multi-Agent Systems and Negotiation被引用数 13

ひとこと要約

LLMベースのエージェントをソフトウェア工学に適用した106件の論文を網羅的に調査し、SEタスクとエージェントアーキテクチャを分析し、課題と今後の方向性を議論する。

ABSTRACT

The recent advance in Large Language Models (LLMs) has shaped a new paradigm of AI agents, i.e., LLM-based agents. Compared to standalone LLMs, LLM-based agents substantially extend the versatility and expertise of LLMs by enhancing LLMs with the capabilities of perceiving and utilizing external resources and tools. To date, LLM-based agents have been applied and shown remarkable effectiveness in Software Engineering (SE). The synergy between multiple agents and human interaction brings further promise in tackling complex real-world SE problems. In this work, we present a comprehensive and systematic survey on LLM-based agents for SE. We collect 124 papers and categorize them from two perspectives, i.e., the SE and agent perspectives. In addition, we discuss open challenges and future directions in this critical domain. The repository of this survey is at https://github.com/FudanSELab/Agent4SE-Paper-List.

研究の動機と目的

• LLMベースのエージェントがソフトウェア工学のタスクとライフサイクル段階全体にどう適用されているかを体系的に概説する。
• エージェントの構成要素（計画、記憶、知覚、行動）とそれがSEタスクをどう可能にするかを分析する。
• SE文脈におけるマルチエージェントシステムと人間-エージェント協働を調査する。
• LLMベースのエージェント for SE における未解決の課題と今後の研究方向を強調する。

提案手法

• 定義された包含/除外基準を用いたキーワード検索とスノーボール法で106論文を収集する。
• 要件工学からエンドツーエンドの開発・保守までのタスクを含むSEとエージェントの観点から論文を分析する。
• 計画、記憶、知覚、行動を含むエージェントアーキテクチャを統合し、マルチエージェント協働と人間との相互作用を議論する。
• 既存の研究を構造的に概観し、研究機会と将来の方向性を抽出する。

実験結果

リサーチクエスチョン

• RQ1 ソフトウェアライフサイクル全体のさまざまなソフトウェア工学タスクに対して、LLMベースのエージェントはどのように設計・適用されているか？
• RQ2 SE分野におけるLLMベースのエージェントの共通のアーキテクチャ要素と協働メカニズムは何か？
• RQ3 ソフトウェア工学におけるLLMベースのエージェントの現行の課題と未解決の研究方向は何か？

主な発見

• 総計106論文が収集され、出典の多くはarXivであり、この分野は急速に拡大している。
• LLMベースのエージェントはコード生成とコード品質保証に頻繁に使用され、エンドツーエンドの開発や保守を扱う研究もある。
• マルチエージェントシステムと人間-エージェント協働は、複雑なSE問題に取り組む共通テーマである。
• エージェントの構成要素—計画、記憶、知覚、行動—が分析され、SEタスクの性能と関連づけられている。
• 独立したLLMと自律エージェントの間には認識されたギャップがあり、エージェントは外部ツールや環境とのより良い相互作用を可能にする。