Download Agent4SE Paper List - Download des Quellcodes Agent4SE Paper List

Agent4SE Paper List

AI-Quellcode

1.0.0

Herunterladen

Modellbasierte Agenten für große Sprachen für die Softwareentwicklung: Eine Umfrage

Der jüngste Fortschritt bei Large Language Models (LLMs) hat ein neues Paradigma von KI-Agenten, also LLM-basierten Agenten, geprägt. Im Vergleich zu eigenständigen LLMs erweitern LLM-basierte Agenten die Vielseitigkeit und das Fachwissen von LLMs erheblich, indem sie LLMs um die Fähigkeit erweitern, externe Ressourcen und Tools wahrzunehmen und zu nutzen. Bisher wurden LLM-basierte Agenten im Software Engineering (SE) eingesetzt und zeigten eine bemerkenswerte Wirksamkeit. Die Synergie zwischen mehreren Agenten und menschlicher Interaktion bietet weitere Aussichten für die Bewältigung komplexer SE-Probleme in der realen Welt. In dieser Arbeit präsentieren wir eine umfassende und systematische Umfrage zu LLM-basierten Agenten für SE. Wir sammeln 106 Artikel und kategorisieren sie aus zwei Perspektiven, nämlich der SE- und der Agentenperspektive. Darüber hinaus diskutieren wir offene Herausforderungen und zukünftige Richtungen in diesem kritischen Bereich.

? Wir haben den Fortschritt von Agent4SE aus der Perspektive sowohl der Software-Engineering- Aufgaben als auch der Agentenarchitektur systematisch zusammengefasst.

? Papierlink: Modellbasierte Agenten für große Sprachen für die Softwareentwicklung: Eine Umfrage

Bild-20240921134539206

Markieren Sie dieses Repository

Dieses Forschungsgebiet entwickelt sich rasant weiter; Markieren Sie dieses Repository, um über die Updates auf dem Laufenden zu bleiben!

Nachricht

[04.09.2024] Wir haben die erste Version unserer Umfrage auf arXiv veröffentlicht.

Inhaltsverzeichnis

Nachricht
SE-Perspektiven

Fehlerlokalisierung
Programmreparatur
Einheitliches Debugging
Unit-Tests
Systemtests
Statische Fehlererkennung
Codeüberprüfung
Anforderungs-Engineering
Codegenerierung
Überprüfung
Statische Codeprüfung
Testen
Debuggen
Freigeben
End-to-End-Softwareentwicklung
Durchgängige Softwarewartung

Agentenperspektiven

Planungsphase
Anforderungsphase
Entwicklungsphase
Evaluierungsphase
Agentenrollen
Kooperationsmechanismus
Planung
Erinnerung
Wahrnehmung
Aktion
Agent-Framework
Multiagentensystem
Zusammenarbeit zwischen Mensch und Agent

Zitat
Betreuer
Kontaktieren Sie uns
Sternengeschichte

SE-Perspektiven

SE_tasks

Anforderungs-Engineering

[2024/05] MARE: Multi-Agents Collaboration Framework für das Anforderungs-Engineering. Jin et al. arXiv. [Papier]
[2024/04] Elicitron: Ein LLM-Agenten-basiertes Simulationsframework zur Ermittlung von Designanforderungen. Ataei et al. arXiv. [Papier]
[2024/01] SpecGen: Automatisierte Generierung formaler Programmspezifikationen über große Sprachmodelle. Ma et al. arXiv. [Papier] [Repo]
[2023/10] Weiterentwicklung des Anforderungsmanagements durch generative KI: Bewertung der Rolle von LLMs. Arora et al. arXiv. [Papier]

Codegenerierung

[2024/11] Planungsgesteuerte Programmierung: Ein Programmierworkflow für große Sprachmodelle Lei et al. arXiv [Papier]
[2024/11] Chain-of-Programming: Stärkung großer Sprachmodelle für die Geodatencodegenerierung Hou et al. arXiv [Papier]
[2024/10] Multi-Programming Language Sandbox für LLMs Dou et al. arXiv [Papier]
[2024/10] SceneGenAgent: Präzise industrielle Szenengenerierung mit Coding Agent Xia et al. arXiv [Papier] [Repo]
[2024/10] MCCoder: Optimierung der Bewegungssteuerung mit LLM-unterstützter Codegenerierung und strenger Verifizierung Li et al. arXiv [Papier] [Repo]
[2024/10] Agents4PLC: Automatisierung der Closed-Loop-SPS-Codegenerierung und -Verifizierung in industriellen Steuerungssystemen mithilfe von LLM-basierten Agenten Liu et al. arXiv [Papier] [Repo]
[2024/10] Verbesserung der Leistung paralleler Programme durch DSL-gesteuerte Codegenerierung mit LLM-Optimierern Wei et al. arXiv. [Papier]
[2024/10] AgentBank: Auf dem Weg zu generalisierten LLM-Agenten durch Feinabstimmung von über 50.000 Interaktionsverläufen Song et al. arXiv. [Papier]
[2024/10] RLEF: GROUNDING CODE LLMS IN EXECUTION FEEDBACK WITH REINFORCEMENT LEARNING Gehring et al. arXiv. [Papier]
[2024/10] Besser als Ihr Lehrer: LLM-Agenten, die aus privilegiertem KI-Feedback lernen Choudhury et al. arXiv. [Papier]
[2024/10] AMR-Evol: Adaptive Modular Response Evolution ermöglicht eine bessere Wissensdestillation für große Sprachmodelle bei der Codegenerierung Luo et al. arXiv. [Papier] [Repo]
[2024/10] RGD: Multi-LLM-basierter Agent-Debugger über Refinement and Generation Guidance Jin et al. arXiv. [Papier]
[2024/09] AutoSafeCoder: Ein Multi-Agent-Framework zur Sicherung der LLM-Codegenerierung durch statische Analyse und Fuzz-Tests Nunez et al. arXiv [Papier] [Repo]
[2024/09] Ein Pair Programming Framework für die Codegenerierung durch Multi-Plan-Exploration und Feedback-gesteuerte Verfeinerung Zhang et al. arXiv [Papier] [Repo]
[2024/08] Die Spreu durchsieben: Zur Nutzung des Ausführungsfeedbacks für die Einstufung der generierten Codekandidaten Sun et al. arXiv [Papier]
[2024/08] CODEXGRAPH: Überbrückung großer Sprachmodelle und Code-Repositories über Code-Graph-Datenbanken Liu et al. arXiv. [Papier] [Repo]
[2024/07] OPENHANDS: EINE OFFENE PLATTFORM FÜR KI-SOFTWARE-ENTWICKLER ALS GENERALISTISCHE AGENTEN Wang et al. arXiv [Papier] [Repo]
[2024/05] Codegenerierung auf Klassenebene aus natürlicher Sprache unter Verwendung iterativer, werkzeuggestützter Argumentation über Repository. Deshpande et al. arXiv. [Papier]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/05] AutoCoder: Erweiterung des großen Code-Sprachmodells mit AIEV-INSTRUCT. Lei et al. arXiv. [Papier] [Repo]
[2024/04] 3DGen: KI-gestützte Generierung nachweislich korrekter Binärformat-Parser . Fakhoury et al. arXiv [Papier]
[2024/04] Selbstorganisierte Agenten: Ein LLM-Multi-Agent-Framework für die Codegenerierung und -optimierung im extrem großen Maßstab. Ishibashi et al. arXiv. [Papier] [Repo]
[2024/03] AutoDev: Automatisierte KI-gesteuerte Entwicklung . Tufano et al. arXiv [Papier]
[2024/03] CoCoST: Automatische komplexe Codegenerierung mit Online-Suche und Korrektheitstests. Er et al. arXiv. [Papier]
[2024/03] RAT: Retrieval Augmented Thoughts lösen kontextbewusstes Denken in der Long-Horizon-Generierung aus . Wang et al. arXiv. [Papier] [Repo]
[2024/02] Ausführbare Codeaktionen sorgen für bessere LLM-Agenten. Wang et al. ICML. [Papier] [Repo]
[2024/02] Mehr Agenten sind alles, was Sie brauchen. Li et al. arXiv. [Papier]
[2024/02] Testgetriebene Entwicklung zur Codegenerierung. Mathews et al. arXiv. [Papier] [Repo]
[2024/02] LDB: Ein großer Sprachmodell-Debugger durch schrittweises Überprüfen der Laufzeitausführung. Zhong et al. arXiv. [Papier] [Repo]
[2024/01] CodeAgent: Verbesserung der Codegenerierung mit in Tools integrierten Agentensystemen für reale Codierungsherausforderungen auf Repo-Ebene. Zhang et al. ACL. [Papier]
[2024/01] Code-LLMs beibringen, Autovervollständigungstools bei der Codegenerierung auf Repository-Ebene zu verwenden. Wang et al. arXiv. [Papier]
[2024/01] Codegenerierung mit AlphaCodium: Vom Prompt Engineering zum Flow Engineering. Ridnik et al. arXiv. [Papier] [Repo]
[2023/12] AgentCoder: Multi-Agent-basierte Codegenerierung mit iterativem Testen und Optimierung. Huang et al. arXiv. [Papier]
[2023/12] LLM4TDD: Best Practices für testgetriebene Entwicklung mit großen Sprachmodellen. Piya et al. arXiv. [Papier] [Repo]
[2023/11] BEITRETER: Förderung der Codierungsfähigkeit großer Sprachmodelle mit der interaktiven Reparaturkette. Wang et al. ACL. [Papier] [Repo]
[2023/10] Dynamisches LLM-Agenten-Netzwerk: Ein LLM-Agenten-Kollaborations-Framework mit Agenten-Team-Optimierung. Liu et al. arXiv. [Papier] [Repo]
[2023/10] Lemur: Harmonisierung natürlicher Sprache und Code für Sprachagenten. Xu et al. ICLR. [Papier] [Repo]
[2023/10] ClarifyGPT: Stärkung der LLM-basierten Codegenerierung mit Absichtsklärung. Mu et al. arXiv. [Papier] [Repo]
[2023/10] CODECHAIN: AUF DEM WEG ZU MODULARER CODE-GENERIERUNG DURCH KETTE VON SELBSTREVISIONEN MIT REPRÄSENTATIVEN UNTERMODULEN. Le et al. ICLR. [Papier] [Repo]
[2023/10] Die Sprachagentenbaumsuche vereint Denken, Handeln und Planen in Sprachmodellen. Zhou et al. ICML. [Papier] [Repo]
[2023/09] MINT: BEWERTUNG VON LLMS IN MULTI-TURN-INTERAKTION MIT TOOLS UND SPRACHFEEDBACK. Wang et al. ICLR. [Papier] [Repo]
[2023/09] Testfallgesteuertes Programmierverständnis in großen Sprachmodellen für eine bessere Codegenerierung. Tian et al. arXiv. [Papier]
[2023/09] CodePlan: Codierung auf Repository-Ebene mit LLMs und Planung. Bairi et al. FSE. [Papier] [Repo]
[2023/09] Vom Missbrauch zur Meisterschaft: Verbesserung der Codegenerierung durch wissensgesteuerte KI-Verkettung. Ren et al. ASE. [Papier]
[2023/09] Parsel?: Algorithmisches Denken mit Sprachmodellen durch Komponieren von Zerlegungen. Zelikman et al. NeurIPS. [Papier] [Repo]
[2023/08] AutoGen: Ermöglichung von LLM-Anwendungen der nächsten Generation über Multi-Agent-Konversation. Wu et al. arXiv. [Papier] [Repo]
[2023/08] Gentopia: Eine kollaborative Plattform für Tool-erweiterte LLMs. Xu et al. EMNLP. [Papier] [Repo]
[2023/08] Flows: Bausteine des Denkens und der kollaborierenden KI. Josifoski et al. arXiv. [Papier] [Repo]
[2023/08] CodeCoT: Behebung von Codesyntaxfehlern in der CoT-Begründung für die Codegenerierung. Huang et al. arXiv. [Papier]
[2023/06] SELFEVOLVE: Ein Code-Evolutions-Framework über große Sprachmodelle. Jiang et al. arXiv. [Papier]
[2023/06] InterCode: Standardisierung und Benchmarking interaktiver Codierung mit Ausführungsfeedback. Yang et al. NeurIPS. [Papier] [Repo]
[2023/06] IST SELBSTREPARATUR EIN SCHWARZER KUGEL FÜR DIE CODE-GENERIERUNG?. Olausson et al. ICLR. [Papier] [Repo]
[2023/05] ToolCoder: Bringen Sie Codegenerierungsmodellen bei, API-Suchtools zu verwenden. Zhang et al. arXiv. [Papier]
[2023/05] Self-Edit: Fehlerbewusster Code-Editor für die Codegenerierung . Zhang et al. ACL. [Papier]
[2023/04] Großen Sprachmodellen das Selbst-Debuggen beibringen. Chen et al. ICLR. [Papier]
[2023/04] Vollständig autonome Programmierung mit großen Sprachmodellen. Liventsev et al. GECCO. [Papier]
[2023/03] CAMEL: Kommunikative Mittel zur Erforschung des „Geistes“ einer großen Sprachmodellgesellschaft. Li et al. NeurIPS. [Papier] [Repo]
[2023/03] Reflexion: Sprachagenten mit verbalem Verstärkungslernen. Shinn et al. NeurIPS. [Papier] [Repo]
[2023/03] SELF-REFINE: Iterative Verfeinerung mit Selbst-Feedback. Madaan et al. NeurIPS. [Papier] [Repo]

Überprüfung

[2024/10] Automatisierte Proof-Generierung für Rust-Code durch Selbstentwicklung Chen et al. arXiv [Papier]
[2024/09] AutoVerus: Automatisierte Proof-Generierung für Rust Code Yang et al. arXiv [Papier]

Statische Codeprüfung

Statische Fehlererkennung

[2024/10] Nutzung fein abgestimmter Sprachmodelle für eine effiziente und genaue Prüfung intelligenter Verträge Wei et al. arXiv [Papier] [Repo]
[2024/10] LLM-SmartAudit: Advanced Smart Contract Vulnerability Detection Wei et al. arXiv. [Papier] [Repo]
[2024/05] LLM-unterstützte statische Analyse zur Erkennung von Sicherheitslücken. Li et al. arXiv. [Papier]
[2024/05] PropertyGPT: LLM-gesteuerte formale Verifizierung von Smart Contracts durch Retrieval-Augmented Property Generation. Liu et al. arXiv. [Papier] [Repo]
[2024/03] Multi-Rollen-Konsens durch LLM-Diskussionen zur Schwachstellenerkennung. Mao et al. QRS. [Papier]
[2024/03] Kombination von Feinabstimmung und LLM-basierten Agenten für eine intuitive intelligente Vertragsprüfung mit Begründungen. Ma et al. arXiv. [Papier] [Repo]
[2024/02] Wenn Datenflussanalyse auf große Sprachmodelle trifft. Wang et al. arXiv. [Papier]
[2024/01] LLM4Vuln: Ein einheitlicher Bewertungsrahmen zur Entkopplung und Verbesserung der Vulnerabilitätsbegründung von LLMs. Sun et al. arXiv. [Papier] [Repo]
[2023/12] E&V: Aufforderung an große Sprachmodelle zur Durchführung statischer Analysen durch Pseudocode-Ausführung und -Verifizierung. Hao et al. arXiv. [Papier]
[2023/10] Modellbasierte Smart Contract-Schwachstellenerkennung in großen Sprachen: Neue Perspektiven. Hu et al. TPS-ISA. [Papier] [Repo]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/08] Verbesserung der statischen Analyse zur praktischen Fehlererkennung: Ein LLM-integrierter Ansatz. Li et al. arXiv. [Papier] [Repo]
[2023/03] ART: Automatische mehrstufige Argumentation und Werkzeugnutzung für große Sprachmodelle. Paranjape et al. arXiv. [Papier] [Repo]

Codeüberprüfung

[2024/10] Agent-as-a-Judge: Bewerten Sie Agenten mit Agenten Zhuge et al. arXiv. [Papier] [Repo]
[2024/09] Divide-and-Conquer: Automatisieren von Coderevisionen durch Lokalisierung und Revision Wang et al. ACM Trans. Softw. Ing. Methodol. [Papier]
[2024/04] KI-gestützte Codeüberprüfung mit LLMs: Erste Ergebnisse. Rasheed et al. arXiv. [Papier]
[2024/02] CodeAgent: Kollaborative Agenten für Software Engineering. Tang et al. arXiv. [Papier] [Repo]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/09] CORE: Beheben von Codequalitätsproblemen mithilfe von LLMs. Wadhwa et al. FSE. [Papier] [Repo]

Testen

Unit-Tests

[2024/11] ReAccept: Automatisierte Co-Evolution von Produktions- und Testcode basierend auf dynamischer Validierung und großen Sprachmodellen Chi et al. arXiv [Papier] [Repo]
[2024/09] Python Symbolic Execution mit LLM-gestützter Codegenerierung Wang et al. arXiv [Papier]
[2024/06] Mokav: Ausführungsgesteuertes Differentialtesten mit LLMs. Etemadi et al. arXiv. [Papier] [Repo]
[2024/04] Verbesserung der LLM-basierten Testgenerierung für schwer abzudeckende Zweige durch Programmanalyse. Yang et al. arXiv. [Papier]
[2024/03] AutoDev: Automatisierte KI-gesteuerte Entwicklung . Tufano et al. arXiv [Papier]
[2024/03] COVERUP: Abdeckungsgesteuerte LLM-basierte Testgenerierung. Pizzorno et al. arXiv. [Papier] [Repo]
[2023/08] Effektive Testgenerierung mit vorab trainierten großen Sprachmodellen und Mutationstests. Dakhel et al. Inf. Softw. Technol. . [Papier] [Repo]
[2023/05] Keine manuellen Tests mehr? Evaluierung und Verbesserung von ChatGPT für die Unit-Test-Generierung. Yuan et al. arXiv. [Papier] [Repo]
[2023/05] ChatUniTest: Ein Framework für die LLM-basierte Testgenerierung. Chen et al. FSE. [Papier] [Repo]
[2023/02] Eine empirische Bewertung der Verwendung großer Sprachmodelle für die automatisierte Generierung von Unit-Tests. Schäfer et al. IEEE Trans. Software Eng.. [Papier] [Repo]

Systemtests

[2024/11] Ein durch Code Knowledge Graph verbessertes System für die LLM-basierte Fuzz-Treibergenerierung Xu et al. arXiv. [Papier]
[2024/07] Visionsgesteuertes automatisiertes mobiles GUI-Testen über ein multimodales großes Sprachmodell. Liu et al. arXiv. [Papier] [Repo]
[2024/04] LLM-Agenten können eintägige Schwachstellen autonom ausnutzen. Fang et al. arXiv. [Papier]
[2024/02] Sie können sich jetzt ausruhen: Automatisierte Spezifikationsinferenz und Black-Box-Tests von RESTful-APIs mit großen Sprachmodellen. Decrop et al. arXiv. [Papier] [Repo]
[2024/01] XUAT-Copilot: Multi-Agent-Kollaborationssystem für automatisierte Benutzerakzeptanztests mit großem Sprachmodell. Wang et al. arXiv. [Papier]
[2024/01] KernelGPT: Verbessertes Kernel-Fuzzing über große Sprachmodelle. Yang et al. arXiv. [Papier]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/10] Machen Sie LLM zum Testexperten: Bringen Sie durch funktionsbewusste Entscheidungen menschenähnliche Interaktion in mobile GUI-Tests. Liu et al. ICSE. [Papier]
[2023/10] AXNav: Wiedergabe von Barrierefreiheitstests aus natürlicher Sprache. Taeb et al. CHI. [Papier]
[2023/10] White-Box-Compiler-Fuzzing durch große Sprachmodelle. Yang et al. arXiv. [Papier] [Repo]
[2023/10] Grenzen austesten: Ungewöhnliche Texteingabegenerierung für die Absturzerkennung mobiler Apps mit großem Sprachmodell. Liu et al. ICSE. [Papier] [Repo]
[2023/08] PENTESTGPT: Ein LLM-gestütztes automatisches Penetrationstest-Tool. Deng et al. arXiv. [Papier] [Repo]
[2023/08] Fuzz4All: Universelles Fuzzing mit großen Sprachmodellen. Xia et al. ICSE. [Papier] [Repo]
[2023/07] Isolieren von Compiler-Fehlern durch Generieren effektiver Zeugenprogramme mit großen Sprachmodellen. Tu et al. IEEE Trans. Software-Ing. [Papier] [Repo]
[2023/06] Aufforderung ist alles, was Sie brauchen: Automatisierte Android-Fehlerwiedergabe mit großen Sprachmodellen. Feng et al. ICSE. [Papier] [Repo]

Debuggen

Fehlerlokalisierung

[2024/11] FlexFL: Flexible und effektive Fehlerlokalisierung mit Open-Source-Modellen großer Sprachen Xu et al. arXiv [Papier]
[2024/09] Verbesserung der Fehlerlokalisierung durch geordnete Codeanalyse mit LLM-Agenten und Selbstreflexion Rafi et al. arXiv [Papier]
[2024/03] AGENTFL: Skalierung der LLM-basierten Fehlerlokalisierung auf den Kontext auf Projektebene. Qin et al. arXiv. [Papier]
[2023/10] RCAgent: Cloud-Ursachenanalyse durch autonome Agenten mit Tool-erweiterten großen Sprachmodellen. Wang et al. arXiv. [Papier]
[2023/08] Eine quantitative und qualitative Bewertung der LLM-basierten erklärbaren Fehlerlokalisierung . Kang et al. FSE. [Papier]

Programmreparatur

[2024/07] OPENHANDS: EINE OFFENE PLATTFORM FÜR KI-SOFTWARE-ENTWICKLER ALS GENERALISTISCHE AGENTEN Wang et al. arXiv [Papier] [Repo]
[2024/10] Semantikgesteuerte Suche nach effizienter Programmreparatur mit großen Sprachmodellen Thanh et al. arXiv [Papier]
[2024/09] Neurosymbolische Reparatur von Testschuppen . Chen et al. ISSTA. [Papier]
[2024/04] Wie weit können wir mit der praktischen Reparatur von Programmen auf Funktionsebene gehen? Xiang et al. arXiv. [Papier] [Repo]
[2024/03] RepairAgent: Ein autonomer, LLM-basierter Agent für die Programmreparatur. Bouzenia et al. arXiv. [Papier]
[2024/03] ACFIX: Anleitung von LLMs mit abgebauten gängigen RBAC-Praktiken zur kontextbewussten Reparatur von Zugriffskontrollschwachstellen in Smart Contracts. Zhang et al. arXiv. [Papier]
[2024/02] CigaR: Kosteneffiziente Programmreparatur mit LLMs. Hidvégi et al. arXiv. [Papier] [Repo]
[2023/04] Erklärbares automatisiertes Debugging durch modellgesteuertes wissenschaftliches Debugging in großen Sprachen. Kang et al. arXiv. [Papier]
[2023/04] Halten Sie die Konversation am Laufen: Behebung von 162 von 337 Fehlern für jeweils 0,42 $ mit ChatGPT. Xia et al. arXiv. [Papier]
[2023/01] Konversationsautomatische Programmreparatur. Xia et al. arXiv. [Papier]

Einheitliches Debugging

[2024/04] Ein einheitlicher Debugging-Ansatz über LLM-basierte Multi-Agent-Synergie. Lee et al. arXiv. [Papier] [Repo]
[2024/02] LDB: Ein großer Sprachmodell-Debugger durch schrittweises Überprüfen der Laufzeitausführung. Zhong et al. arXiv. [Papier] [Repo]

Freigeben

[2024/08] GoNoGo: Ein effizientes LLM-basiertes Multi-Agenten-System zur Optimierung der Entscheidungsfindung bei Software-Releases in der Automobilindustrie Khoee et al. arXiv [Papier]

End-to-End-Softwareentwicklung

[2024/09] Generieren von Java-Codepaaren mit ChatGPT Zhao et al. Theoretische Informatik [Aufsatz]
[2024/07] Stärkung der agilen generativen Softwareentwicklung durch Teamarbeit zwischen Mensch und KI Zhang et al. TOSEM [Papier] [Repo]
[2024/06] Experimentieren mit Multi-Agent-Softwareentwicklung: Auf dem Weg zu einer einheitlichen Plattform Sami et al. arXiv. [Papier]
[2024/06] Skalierung der auf einem großen Sprachmodell basierenden Multi-Agenten-Zusammenarbeit Qian et al. arXiv. [Papier] [Repo]
[2024/06] Multi-Agent-Softwareentwicklung durch teamübergreifende Zusammenarbeit. Du et al. arXiv. [Papier] [Repo]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/05] Iterative Erfahrungsverfeinerung von Softwareentwicklungsagenten. Qian et al. arXiv. [Papier]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/03] CodeS: Natürliche Sprache zum Code-Repository über mehrschichtige Skizze. Zan et al. arXiv. [Papier] [Repo]
[2024/02] CodePori: Großmaßstabsmodell für autonome Softwareentwicklung durch den Einsatz von Multi-Agenten. Rasheed et al. arXiv. [Papier]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2024/01] LLM4PLC: Nutzung großer Sprachmodelle für die überprüfbare Programmierung von SPSen in industriellen Steuerungssystemen. Fakih et al. ICSE. [Papier] [Repo]
[2023/12] Experimentelles Co-Learning von Software-Entwicklungsagenten. Qian et al. ACL. [Papier] [Repo]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/09] AutoAgents: Ein Framework für die automatische Agentengenerierung. Chen et al. arXiv. [Papier] [Repo]
[2023/08] AgentVerse: Erleichterung der Zusammenarbeit mehrerer Agenten und Erforschung neu auftretender Verhaltensweisen. Chen et al. ICLR. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/06] ZUSAMMENARBEIT MIT MULTI-AGENTEN: DIE LEISTUNG INTELLIGENTER LLM-AGENTEN NUTZEN. Talebirad et al. arXiv. [Papier]
[2023/06] Prompt Sapper: LLM-gestützte Software-Engineering-Infrastruktur für KI-native Dienste. Xing et al. arXiv. [Papier]
[2023/04] Selbstkollaborative Codegenerierung über ChatGPT. Dong et al. arXiv. [Papier] [Repo]
[2023/04] Low-Code-LLM: Visuelle Programmierung über LLMs. Cai et al. arXiv. [Papier] [Repo]

Durchgängige Softwarewartung

[2024/11] LLMs als kontinuierlich Lernende: Verbesserung der Reproduktion fehlerhaften Codes bei Softwareproblemen Lin et al. arXiv [Papier]
[2024/11] Human-In-the-Loop-Softwareentwicklungsagenten Takerngsaksiri et al. arXiv [Papier]
[2024/11] Lingma SWE-GPT: Ein offenes, entwicklungsprozesszentriertes Sprachmodell für die automatisierte Softwareverbesserung Ma et al. arXiv [Papier] [Repo]
[2024/10] RepoGraph: Verbesserung der KI-Softwareentwicklung mit Codegraph auf Repository-Ebene Ouyang et al. arXiv [Papier] [Repo]
[2024/09] MarsCode Agent: KI-native automatisierte Fehlerbehebung Liu et al. arXiv. [Papier]
[2024/08] CODEXGRAPH: Überbrückung großer Sprachmodelle und Code-Repositories über Code-Graph-Datenbanken Liu et al. arXiv. [Papier] [Repo]
[2024/08] VIELFALT STÄRKT INTELLIGENZ: INTEGRATION DER KOMPETENZ VON SOFTWARE-ENGINEERING-AGENTEN Zhang et al. arXiv. [Papier]
[2024/08] SpecRover: Code Intent Extraction via LLMs Ruan et al. arXiv. [Papier] [Repo]
[2024/07] OPENHANDS: EINE OFFENE PLATTFORM FÜR KI-SOFTWARE-ENTWICKLER ALS GENERALISTISCHE AGENTEN Wang et al. arXiv [Papier] [Repo]
[2024/07] Agentenlos: Entmystifizierung von LLM-basierten Software-Engineering-Agenten. Xia et al. arXiv. [Papier] [Repo]
[2024/06] Wie versteht man das gesamte Software-Repository?. Ma et al. arXiv. [Papier] [Repo]
[2024/06] CODER: PROBLEMLÖSUNG MIT MULTI-AGENT- UND AUFGABENGRAFEN. Chen et al. arXiv. [Papier] [Repo]
[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/05] SWE-AGENT: AGENT-COMPUTER-SCHNITTSTELLEN ERMÖGLICHEN AUTOMATISIERTES SOFTWARE-ENGINEERING. Yang et al. arXiv. [Papier] [Repo]
[2024/04] AutoCodeRover: Verbesserung des autonomen Programms. Zhang et al. ISSTA. [Papier] [Repo]
[2024/03] MAGIS: LLM-basiertes Multi-Agent-Framework zur Lösung von GitHub-Problemen. Tao et al. arXiv. [Papier]

Benchmark

[2024/10] SWE-Bench+: Enhanced Coding Benchmark für LLMs Aleithan et al. arXiv. [Papier]
[2024/10] SWE-bench Multimodal: Generalisieren KI-Systeme auf visuelle Softwaredomänen? Yang et al. arXiv. [Papier] [Repo]
[2024/08] SWE-bench-java: Ein GitHub-Benchmark zur Problemlösung für Java Zan et al. arXiv [Papier] [Repo]
[2024/07] Agentenlos: Entmystifizierung von LLM-basierten Software-Engineering-Agenten. Xia et al. arXiv. [Papier] [Repo]
[2023/10] Swe-bench: Können Sprachmodelle reale Github-Probleme lösen? Jimenez et al. ICLR [Papier] [Repo]

Agentenperspektiven

Agent-Framework

Planung

Single-Turn-Planung

[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/06] Multi-Agent-Softwareentwicklung durch teamübergreifende Zusammenarbeit. Du et al. arXiv. [Papier] [Repo]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/03] MAGIS: LLM-basiertes Multi-Agent-Framework zur Lösung von GitHub-Problemen. Tao et al. arXiv. [Papier]
[2024/03] CodeS: Natürliche Sprache zum Code-Repository über mehrschichtige Skizze. Zan et al. arXiv. [Papier] [Repo]
[2024/03] CoCoST: Automatische komplexe Codegenerierung mit Online-Suche und Korrektheitstests. Er et al. arXiv. [Papier]
[2024/02] CodePori: Großmaßstabsmodell für autonome Softwareentwicklung durch den Einsatz von Multi-Agenten. Rasheed et al. arXiv. [Papier]
[2024/01] CodeAgent: Verbesserung der Codegenerierung mit in Tools integrierten Agentensystemen für reale Codierungsherausforderungen auf Repo-Ebene. Zhang et al. ACL. [Papier]
[2024/01] LLM4PLC: Nutzung großer Sprachmodelle für die überprüfbare Programmierung von SPSen in industriellen Steuerungssystemen. Fakih et al. ICSE. [Papier] [Repo]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/09] Parsel?: Algorithmisches Denken mit Sprachmodellen durch Komponieren von Zerlegungen. Zelikman et al. NeurIPS. [Papier] [Repo]
[2023/08] PENTESTGPT: Ein LLM-gestütztes automatisches Penetrationstest-Tool. Deng et al. arXiv. [Papier] [Repo]
[2023/08] Flows: Bausteine des Denkens und der kollaborierenden KI. Josifoski et al. arXiv. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/04] Selbstkollaborative Codegenerierung über ChatGPT. Dong et al. arXiv. [Papier] [Repo]
[2023/04] Low-Code-LLM: Visuelle Programmierung über LLMs. Cai et al. arXiv. [Papier] [Repo]

Multi-Turn-Planung

[2024/03] RAT: Retrieval Augmented Thoughts lösen kontextbewusstes Denken in der Long-Horizon-Generierung aus . Wang et al. arXiv. [Papier] [Repo]

Reaktionsartig

[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/02] Ausführbare Codeaktionen sorgen für bessere LLM-Agenten. Wang et al. ICML. [Papier] [Repo]
[2024/01] CodeAgent: Verbesserung der Codegenerierung mit in Tools integrierten Agentensystemen für reale Codierungsherausforderungen auf Repo-Ebene. Zhang et al. ACL. [Papier]
[2024/01] XUAT-Copilot: Multi-Agent-Kollaborationssystem für automatisierte Benutzerakzeptanztests mit großem Sprachmodell. Wang et al. arXiv. [Papier]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/10] RCAgent: Cloud-Ursachenanalyse durch autonome Agenten mit Tool-erweiterten großen Sprachmodellen. Wang et al. arXiv. [Papier]
[2023/10] Die Sprachagentenbaumsuche vereint Denken, Handeln und Planen in Sprachmodellen. Zhou et al. ICML. [Papier] [Repo]
[2023/10] AXNav: Wiedergabe von Barrierefreiheitstests aus natürlicher Sprache. Taeb et al. CHI. [Papier]
[2023/09] CodePlan: Codierung auf Repository-Ebene mit LLMs und Planung. Bairi et al. FSE. [Papier] [Repo]

Geschichtet

[2024/04] Selbstorganisierte Agenten: Ein LLM-Multi-Agent-Framework für die Codegenerierung und -optimierung im extrem großen Maßstab. Ishibashi et al. arXiv. [Papier] [Repo]

Erinnerung

Langzeitgedächtnis

[2024/06] Skalierung der auf einem großen Sprachmodell basierenden Multi-Agenten-Zusammenarbeit Qian et al. arXiv. [Papier] [Repo]
[2024/06] Multi-Agent-Softwareentwicklung durch teamübergreifende Zusammenarbeit. Du et al. arXiv. [Papier] [Repo]
[2024/05] Iterative Erfahrungsverfeinerung von Softwareentwicklungsagenten. Qian et al. arXiv. [Papier]
[2023/12] Experimentelles Co-Learning von Software-Entwicklungsagenten. Qian et al. ACL. [Papier] [Repo]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/09] AutoAgents: Ein Framework für die automatische Agentengenerierung. Chen et al. arXiv. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/03] Reflexion: Sprachagenten mit verbalem Verstärkungslernen. Shinn et al. NeurIPS. [Papier] [Repo]

Kurzzeitgedächtnis

[2024/07] Visionsgesteuertes automatisiertes mobiles GUI-Testen über ein multimodales großes Sprachmodell. Liu et al. arXiv. [Papier] [Repo]
[2024/06] Skalierung der auf einem großen Sprachmodell basierenden Multi-Agenten-Zusammenarbeit Qian et al. arXiv. [Papier] [Repo]
[2024/06] Multi-Agent-Softwareentwicklung durch teamübergreifende Zusammenarbeit. Du et al. arXiv. [Papier] [Repo]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/04] Selbstorganisierte Agenten: Ein LLM-Multi-Agent-Framework für die Codegenerierung und -optimierung im extrem großen Maßstab. Ishibashi et al. arXiv. [Papier] [Repo]
[2024/03] MAGIS: LLM-basiertes Multi-Agent-Framework zur Lösung von GitHub-Problemen. Tao et al. arXiv. [Papier]
[2024/01] XUAT-Copilot: Multi-Agent-Kollaborationssystem für automatisierte Benutzerakzeptanztests mit großem Sprachmodell. Wang et al. arXiv. [Papier]
[2023/12] E&V: Aufforderung an große Sprachmodelle zur Durchführung statischer Analysen durch Pseudocode-Ausführung und -Verifizierung. Hao et al. arXiv. [Papier]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/10] RCAgent: Cloud-Ursachenanalyse durch autonome Agenten mit Tool-erweiterten großen Sprachmodellen. Wang et al. arXiv. [Papier]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/10] Machen Sie LLM zum Testexperten: Bringen Sie durch funktionsbewusste Entscheidungen menschenähnliche Interaktion in mobile GUI-Tests. Liu et al. ICSE. [Papier]
[2023/09] CodePlan: Codierung auf Repository-Ebene mit LLMs und Planung. Bairi et al. FSE. [Papier] [Repo]
[2023/09] AutoAgents: Ein Framework für die automatische Agentengenerierung. Chen et al. arXiv. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/03] Reflexion: Sprachagenten mit verbalem Verstärkungslernen. Shinn et al. NeurIPS. [Papier] [Repo]

Shared Memory: Eine besondere Art des Kurzzeitgedächtnisses

[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/05] MARE: Multi-Agents Collaboration Framework für das Anforderungs-Engineering. Jin et al. arXiv. [Papier]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/03] AGENTFL: Skalierung der LLM-basierten Fehlerlokalisierung auf den Kontext auf Projektebene. Qin et al. arXiv. [Papier]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/04] Selbstkollaborative Codegenerierung über ChatGPT. Dong et al. arXiv. [Papier] [Repo]

Wahrnehmung

Visueller Input

[2024/10] SWE-bench Multimodal: Generalisieren KI-Systeme auf visuelle Softwaredomänen? Yang et al. arXiv. [Papier] [Repo]
[2024/07] Visionsgesteuertes automatisiertes mobiles GUI-Testen über ein multimodales großes Sprachmodell. Liu et al. arXiv. [Papier] [Repo]
[2024/06] Experimentieren mit Multi-Agent-Softwareentwicklung: Auf dem Weg zu einer einheitlichen Plattform Sami et al. arXiv. [Papier]
[2024/01] XUAT-Copilot: Multi-Agent-Kollaborationssystem für automatisierte Benutzerakzeptanztests mit großem Sprachmodell. Wang et al. arXiv. [Papier]
[2023/10] AXNav: Wiedergabe von Barrierefreiheitstests aus natürlicher Sprache. Taeb et al. CHI. [Papier]
[2023/10] Grenzen austesten: Ungewöhnliche Texteingabegenerierung für die Absturzerkennung mobiler Apps mit großem Sprachmodell. Liu et al. ICSE. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]

Aktion

Suchwerkzeuge

[2024/05] Codegenerierung auf Klassenebene aus natürlicher Sprache unter Verwendung iterativer, werkzeuggestützter Argumentation über Repository. Deshpande et al. arXiv. [Papier]
[2024/04] LLM-Agenten können eintägige Schwachstellen autonom ausnutzen. Fang et al. arXiv. [Papier]
[2024/03] AutoDev: Automatisierte KI-gesteuerte Entwicklung . Tufano et al. arXiv [Papier]
[2024/03] RepairAgent: Ein autonomer, LLM-basierter Agent für die Programmreparatur. Bouzenia et al. arXiv. [Papier]
[2024/03] CoCoST: Automatische komplexe Codegenerierung mit Online-Suche und Korrektheitstests. Er et al. arXiv. [Papier]
[2024/03] RAT: Retrieval Augmented Thoughts lösen kontextbewusstes Denken in der Long-Horizon-Generierung aus . Wang et al. arXiv. [Papier] [Repo]
[2024/02] CodePori: Großmaßstabsmodell für autonome Softwareentwicklung durch den Einsatz von Multi-Agenten. Rasheed et al. arXiv. [Papier]
[2024/01] LLM4Vuln: Ein einheitlicher Bewertungsrahmen zur Entkopplung und Verbesserung der Vulnerabilitätsbegründung von LLMs. Sun et al. arXiv. [Papier] [Repo]
[2024/01] CodeAgent: Verbesserung der Codegenerierung mit in Tools integrierten Agentensystemen für reale Codierungsherausforderungen auf Repo-Ebene. Zhang et al. ACL. [Papier]
[2023/12] E&V: Aufforderung an große Sprachmodelle zur Durchführung statischer Analysen durch Pseudocode-Ausführung und -Verifizierung. Hao et al. arXiv. [Papier]
[2023/12] Experimentelles Co-Learning von Software-Entwicklungsagenten. Qian et al. ACL. [Papier] [Repo]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/10] Lemur: Harmonisierung natürlicher Sprache und Code für Sprachagenten. Xu et al. ICLR. [Papier] [Repo]
[2023/10] RCAgent: Cloud-Ursachenanalyse durch autonome Agenten mit Tool-erweiterten großen Sprachmodellen. Wang et al. arXiv. [Papier]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/08] PENTESTGPT: Ein LLM-gestütztes automatisches Penetrationstest-Tool. Deng et al. arXiv. [Papier] [Repo]
[2023/08] AgentVerse: Erleichterung der Zusammenarbeit mehrerer Agenten und Erforschung neu auftretender Verhaltensweisen. Chen et al. ICLR. [Papier] [Repo]
[2023/08] Gentopia: Eine kollaborative Plattform für Tool-erweiterte LLMs. Xu et al. EMNLP. [Papier] [Repo]
[2023/08] AutoGen: Ermöglichung von LLM-Anwendungen der nächsten Generation über Multi-Agent-Konversation. Wu et al. arXiv. [Papier] [Repo]
[2023/05] ToolCoder: Bringen Sie Codegenerierungsmodellen bei, API-Suchtools zu verwenden. Zhang et al. arXiv. [Papier]
[2023/03] ART: Automatische mehrstufige Argumentation und Werkzeugnutzung für große Sprachmodelle. Paranjape et al. arXiv. [Papier] [Repo]

Dateioperation

[2024/08] SpecRover: Code Intent Extraction via LLMs Ruan et al. arXiv. [Papier] [Repo]
[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/05] LLM-unterstützte statische Analyse zur Erkennung von Sicherheitslücken. Li et al. arXiv. [Papier]
[2024/05] SWE-AGENT: AGENT-COMPUTER-SCHNITTSTELLEN ERMÖGLICHEN AUTOMATISIERTES SOFTWARE-ENGINEERING. Yang et al. arXiv. [Papier] [Repo]
[2024/04] LLM-Agenten können eintägige Schwachstellen autonom ausnutzen. Fang et al. arXiv. [Papier]
[2024/03] RepairAgent: Ein autonomer, LLM-basierter Agent für die Programmreparatur. Bouzenia et al. arXiv. [Papier]
[2024/03] AutoDev: Automatisierte KI-gesteuerte Entwicklung . Tufano et al. arXiv [Papier]
[2023/04] Erklärbares automatisiertes Debugging durch modellgesteuertes wissenschaftliches Debugging in großen Sprachen. Kang et al. arXiv. [Papier]

GUI-Bedienung

[2024/07] Visionsgesteuertes automatisiertes mobiles GUI-Testen über ein multimodales großes Sprachmodell. Liu et al. arXiv. [Papier] [Repo]
[2024/01] XUAT-Copilot: Multi-Agent-Kollaborationssystem für automatisierte Benutzerakzeptanztests mit großem Sprachmodell. Wang et al. arXiv. [Papier]
[2023/10] Machen Sie LLM zum Testexperten: Bringen Sie durch funktionsbewusste Entscheidungen menschenähnliche Interaktion in mobile GUI-Tests. Liu et al. ICSE. [Papier]
[2023/10] AXNav: Wiedergabe von Barrierefreiheitstests aus natürlicher Sprache. Taeb et al. CHI. [Papier]
[2023/10] Grenzen austesten: Ungewöhnliche Texteingabegenerierung für die Absturzerkennung mobiler Apps mit großem Sprachmodell. Liu et al. ICSE. [Papier] [Repo]
[2023/06] Aufforderung ist alles, was Sie brauchen: Automatisierte Android-Fehlerwiedergabe mit großen Sprachmodellen. Feng et al. ICSE. [Papier] [Repo]

Statische Programmanalyse

[2024/06] Multi-Agent-Softwareentwicklung durch teamübergreifende Zusammenarbeit. Du et al. arXiv. [Papier] [Repo]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/05] Codegenerierung auf Klassenebene aus natürlicher Sprache unter Verwendung iterativer, werkzeuggestützter Argumentation über Repository. Deshpande et al. arXiv. [Papier]
[2024/05] LLM-unterstützte statische Analyse zur Erkennung von Sicherheitslücken. Li et al. arXiv. [Papier]
[2024/04] AutoCodeRover: Verbesserung des autonomen Programms. Zhang et al. ISSTA. [Papier] [Repo]
[2024/04] Verbesserung der LLM-basierten Testgenerierung für schwer abzudeckende Zweige durch Programmanalyse. Yang et al. arXiv. [Papier]
[2024/04] 3DGen: KI-gestützte Generierung nachweislich korrekter Binärformat-Parser . Fakhoury et al. arXiv [Papier]
[2024/03] AutoDev: Automatisierte KI-gesteuerte Entwicklung . Tufano et al. arXiv [Papier]
[2024/03] RepairAgent: Ein autonomer, LLM-basierter Agent für die Programmreparatur. Bouzenia et al. arXiv. [Papier]
[2024/03] COVERUP: Abdeckungsgesteuerte LLM-basierte Testgenerierung. Pizzorno et al. arXiv. [Papier] [Repo]
[2024/03] ACFIX: Anleitung von LLMs mit abgebauten gängigen RBAC-Praktiken zur kontextbewussten Reparatur von Zugriffskontrollschwachstellen in Smart Contracts. Zhang et al. arXiv. [Papier]
[2024/03] AGENTFL: Skalierung der LLM-basierten Fehlerlokalisierung auf den Kontext auf Projektebene. Qin et al. arXiv. [Papier]
[2024/02] Wenn Datenflussanalyse auf große Sprachmodelle trifft. Wang et al. arXiv. [Papier]
[2024/02] LDB: Ein großer Sprachmodell-Debugger durch schrittweises Überprüfen der Laufzeitausführung. Zhong et al. arXiv. [Papier] [Repo]
[2024/01] Code-LLMs beibringen, Autovervollständigungstools bei der Codegenerierung auf Repository-Ebene zu verwenden. Wang et al. arXiv. [Papier]
[2024/01] CodeAgent: Verbesserung der Codegenerierung mit in Tools integrierten Agentensystemen für reale Codierungsherausforderungen auf Repo-Ebene. Zhang et al. ACL. [Papier]
[2024/01] LLM4PLC: Nutzung großer Sprachmodelle für die überprüfbare Programmierung von SPSen in industriellen Steuerungssystemen. Fakih et al. ICSE. [Papier] [Repo]
[2023/12] E&V: Aufforderung an große Sprachmodelle zur Durchführung statischer Analysen durch Pseudocode-Ausführung und -Verifizierung. Hao et al. arXiv. [Papier]
[2023/09] CodePlan: Codierung auf Repository-Ebene mit LLMs und Planung. Bairi et al. FSE. [Papier] [Repo]
[2023/08] CodeCoT: Behebung von Codesyntaxfehlern in der CoT-Begründung für die Codegenerierung. Huang et al. arXiv. [Papier]
[2023/07] Isolieren von Compiler-Fehlern durch Generieren effektiver Zeugenprogramme mit großen Sprachmodellen. Tu et al. IEEE Trans. Software Eng.. [Papier] [Repo]
[2023/06] Aufforderung ist alles, was Sie brauchen: Automatisierte Android-Fehlerwiedergabe mit großen Sprachmodellen. Feng et al. ICSE. [Papier] [Repo]

Dynamische Analyse

[2024/04] Verbesserung der LLM-basierten Testgenerierung für schwer abzudeckende Zweige durch Programmanalyse. Yang et al. arXiv. [Papier]
[2024/03] COVERUP: Abdeckungsgesteuerte LLM-basierte Testgenerierung. Pizzorno et al. arXiv. [Papier] [Repo]
[2024/03] AGENTFL: Skalierung der LLM-basierten Fehlerlokalisierung auf den Kontext auf Projektebene. Qin et al. arXiv. [Papier]
[2024/02] LDB: Ein großer Sprachmodell-Debugger durch schrittweises Überprüfen der Laufzeitausführung. Zhong et al. arXiv. [Papier] [Repo]
[2023/07] Isolieren von Compiler-Fehlern durch Generieren effektiver Zeugenprogramme mit großen Sprachmodellen. Tu et al. IEEE Trans. Software Eng.. [Papier] [Repo]
[2023/04] Erklärbares automatisiertes Debugging durch modellgesteuertes wissenschaftliches Debugging in großen Sprachen. Kang et al. arXiv. [Papier]

Testwerkzeuge

[2024/09] Neurosymbolische Reparatur von Testschuppen . Chen et al. ISSTA. [Papier]
[2024/08] SpecRover: Code Intent Extraction via LLMs Ruan et al. arXiv. [Papier] [Repo]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/05] AutoCoder: Erweiterung des großen Code-Sprachmodells mit AIEV-INSTRUCT. Lei et al. arXiv. [Papier] [Repo]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/04] Selbstorganisierte Agenten: Ein LLM-Multi-Agent-Framework für die Codegenerierung und -optimierung im extrem großen Maßstab. Ishibashi et al. arXiv. [Papier] [Repo]
[2024/04] Ein einheitlicher Debugging-Ansatz über LLM-basierte Multi-Agent-Synergie. Lee et al. arXiv. [Papier] [Repo]
[2024/04] LLM-Agenten können eintägige Schwachstellen autonom ausnutzen. Fang et al. arXiv. [Papier]
[2024/04] Verbesserung der LLM-basierten Testgenerierung für schwer abzudeckende Zweige durch Programmanalyse. Yang et al. arXiv. [Papier]
[2024/04] 3DGen: KI-gestützte Generierung nachweislich korrekter Binärformat-Parser . Fakhoury et al. arXiv [Papier]
[2024/04] AutoCodeRover: Verbesserung des autonomen Programms. Zhang et al. ISSTA. [Papier] [Repo]
[2024/03] AutoDev: Automatisierte KI-gesteuerte Entwicklung . Tufano et al. arXiv [Papier]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/03] RepairAgent: Ein autonomer, LLM-basierter Agent für die Programmreparatur. Bouzenia et al. arXiv. [Papier]
[2024/03] CoCoST: Automatische komplexe Codegenerierung mit Online-Suche und Korrektheitstests. Er et al. arXiv. [Papier]
[2024/02] Ausführbare Codeaktionen sorgen für bessere LLM-Agenten. Wang et al. ICML. [Papier] [Repo]
[2024/02] Testgetriebene Entwicklung zur Codegenerierung. Mathews et al. arXiv. [Papier] [Repo]
[2024/01] Codegenerierung mit AlphaCodium: Vom Prompt Engineering zum Flow Engineering. Ridnik et al. arXiv. [Papier] [Repo]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2024/01] CodeAgent: Verbesserung der Codegenerierung mit in Tools integrierten Agentensystemen für reale Codierungsherausforderungen auf Repo-Ebene. Zhang et al. ACL. [Papier]
[2023/12] AgentCoder: Multi-Agent-basierte Codegenerierung mit iterativem Testen und Optimierung. Huang et al. arXiv. [Papier]
[2023/12] LLM4TDD: Best Practices für testgetriebene Entwicklung mit großen Sprachmodellen. Piya et al. arXiv. [Papier] [Repo]
[2023/11] BEITRETER: Förderung der Codierungsfähigkeit großer Sprachmodelle mit der interaktiven Reparaturkette. Wang et al. ACL. [Papier] [Repo]
[2023/10] ClarifyGPT: Stärkung der LLM-basierten Codegenerierung mit Absichtsklärung. Mu et al. arXiv. [Papier] [Repo]
[2023/10] Lemur: Harmonisierung natürlicher Sprache und Code für Sprachagenten. Xu et al. ICLR. [Papier] [Repo]
[2023/10] White-Box-Compiler-Fuzzing durch große Sprachmodelle. Yang et al. arXiv. [Papier] [Repo]
[2023/09] Testfallgesteuertes Programmierverständnis in großen Sprachmodellen für eine bessere Codegenerierung. Tian et al. arXiv. [Papier]
[2023/09] MINT: BEWERTUNG VON LLMS IN MULTI-TURN-INTERAKTION MIT TOOLS UND SPRACHFEEDBACK. Wang et al. ICLR. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/08] Effektive Testgenerierung mit vorab trainierten großen Sprachmodellen und Mutationstests. Dakhel et al. Inf. Softw. Technol. . [Papier] [Repo]
[2023/08] AgentVerse: Erleichterung der Zusammenarbeit mehrerer Agenten und Erforschung neu auftretender Verhaltensweisen. Chen et al. ICLR. [Papier] [Repo]
[2023/08] AutoGen: Ermöglichung von LLM-Anwendungen der nächsten Generation über Multi-Agent-Konversation. Wu et al. arXiv. [Papier] [Repo]
[2023/08] Flows: Bausteine des Denkens und der kollaborierenden KI. Josifoski et al. arXiv. [Papier] [Repo]
[2023/06] SELFEVOLVE: Ein Code-Evolutions-Framework über große Sprachmodelle. Jiang et al. arXiv. [Papier]
[2023/06] InterCode: Standardisierung und Benchmarking interaktiver Codierung mit Ausführungsfeedback. Yang et al. NeurIPS. [Papier] [Repo]
[2023/06] IST SELBSTREPARATUR EIN SCHWARZER KUGEL FÜR DIE CODE-GENERIERUNG?. Olausson et al. ICLR. [Papier] [Repo]
[2023/05] Keine manuellen Tests mehr? Evaluierung und Verbesserung von ChatGPT für die Unit-Test-Generierung. Yuan et al. arXiv. [Papier] [Repo]
[2023/04] Vollständig autonome Programmierung mit großen Sprachmodellen. Liventsev et al. GECCO. [Papier]
[2023/04] Erklärbares automatisiertes Debugging durch modellgesteuertes wissenschaftliches Debugging in großen Sprachen. Kang et al. arXiv. [Papier]
[2023/03] ART: Automatische mehrstufige Argumentation und Werkzeugnutzung für große Sprachmodelle. Paranjape et al. arXiv. [Papier] [Repo]
[2023/03] Reflexion: Sprachagenten mit verbalem Verstärkungslernen. Shinn et al. NeurIPS. [Papier] [Repo]
[2023/02] Eine empirische Bewertung der Verwendung großer Sprachmodelle für die automatisierte Generierung von Unit-Tests. Schäfer et al. IEEE Trans. Software Eng.. [Papier] [Repo]
[2023/01] Konversationsautomatische Programmreparatur. Xia et al. arXiv. [Papier]

Tools zur Fehlerlokalisierung

[2024/04] AutoCodeRover: Verbesserung des autonomen Programms. Zhang et al. ISSTA. [Papier] [Repo]
[2024/03] RepairAgent: Ein autonomer, LLM-basierter Agent für die Programmreparatur. Bouzenia et al. arXiv. [Papier]

Multiagentensystem

Agentenrollen

Managerrollen

[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/05] Iterative Erfahrungsverfeinerung von Softwareentwicklungsagenten. Qian et al. arXiv. [Papier]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/04] Selbstorganisierte Agenten: Ein LLM-Multi-Agent-Framework für die Codegenerierung und -optimierung im extrem großen Maßstab. Ishibashi et al. arXiv. [Papier] [Repo]
[2024/04] 3DGen: KI-gestützte Generierung nachweislich korrekter Binärformat-Parser . Fakhoury et al. arXiv [Papier]
[2024/03] MAGIS: LLM-basiertes Multi-Agent-Framework zur Lösung von GitHub-Problemen. Tao et al. arXiv. [Papier]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/02] CodeAgent: Kollaborative Agenten für Software Engineering. Tang et al. arXiv. [Papier] [Repo]
[2024/02] CodePori: Großmaßstabsmodell für autonome Softwareentwicklung durch den Einsatz von Multi-Agenten. Rasheed et al. arXiv. [Papier]
[2023/12] Experimentelles Co-Learning von Software-Entwicklungsagenten. Qian et al. ACL. [Papier] [Repo]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/10] AXNav: Wiedergabe von Barrierefreiheitstests aus natürlicher Sprache. Taeb et al. CHI. [Papier]
[2023/10] RCAgent: Cloud-Ursachenanalyse durch autonome Agenten mit Tool-erweiterten großen Sprachmodellen. Wang et al. arXiv. [Papier]
[2023/09] AutoAgents: Ein Framework für die automatische Agentengenerierung. Chen et al. arXiv. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/04] Low-Code-LLM: Visuelle Programmierung über LLMs. Cai et al. arXiv. [Papier] [Repo]
[2023/03] CAMEL: Kommunikative Mittel zur Erforschung des „Geistes“ einer großen Sprachmodellgesellschaft. Li et al. NeurIPS. [Papier] [Repo]

Anforderungsanalyserollen

[2024/06] Experimentieren mit Multi-Agent-Softwareentwicklung: Auf dem Weg zu einer einheitlichen Plattform Sami et al. arXiv. [Papier]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/05] MARE: Multi-Agents Collaboration Framework für das Anforderungs-Engineering. Jin et al. arXiv. [Papier]
[2024/04] Elicitron: Ein LLM-Agenten-basiertes Simulationsframework zur Ermittlung von Designanforderungen. Ataei et al. arXiv. [Papier]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/06] ZUSAMMENARBEIT MIT MULTI-AGENTEN: DIE LEISTUNG INTELLIGENTER LLM-AGENTEN NUTZEN. Talebirad et al. arXiv. [Papier]
[2023/04] Selbstkollaborative Codegenerierung über ChatGPT. Dong et al. arXiv. [Papier] [Repo]
[2023/03] CAMEL: Kommunikative Mittel zur Erforschung des „Geistes“ einer großen Sprachmodellgesellschaft. Li et al. NeurIPS. [Papier] [Repo]

Designerrollen

[2024/06] Experimentieren mit Multi-Agent-Softwareentwicklung: Auf dem Weg zu einer einheitlichen Plattform Sami et al. arXiv. [Papier]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/08] AgentVerse: Erleichterung der Zusammenarbeit mehrerer Agenten und Erforschung neu auftretender Verhaltensweisen. Chen et al. ICLR. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/06] ZUSAMMENARBEIT MIT MULTI-AGENTEN: DIE LEISTUNG INTELLIGENTER LLM-AGENTEN NUTZEN. Talebirad et al. arXiv. [Papier]

Entwicklerrollen

[2024/06] Experimentieren mit Multi-Agent-Softwareentwicklung: Auf dem Weg zu einer einheitlichen Plattform Sami et al. arXiv. [Papier]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/05] AutoCoder: Erweiterung des großen Code-Sprachmodells mit AIEV-INSTRUCT. Lei et al. arXiv. [Papier] [Repo]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/04] Selbstorganisierte Agenten: Ein LLM-Multi-Agent-Framework für die Codegenerierung und -optimierung im extrem großen Maßstab. Ishibashi et al. arXiv. [Papier] [Repo]
[2024/04] 3DGen: KI-gestützte Generierung nachweislich korrekter Binärformat-Parser . Fakhoury et al. arXiv [Papier]
[2024/03] CodeS: Natürliche Sprache zum Code-Repository über mehrschichtige Skizze. Zan et al. arXiv. [Papier] [Repo]
[2024/03] MAGIS: LLM-basiertes Multi-Agent-Framework zur Lösung von GitHub-Problemen. Tao et al. arXiv. [Papier]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/02] Testgetriebene Entwicklung zur Codegenerierung. Mathews et al. arXiv. [Papier] [Repo]
[2024/02] CodePori: Großmaßstabsmodell für autonome Softwareentwicklung durch den Einsatz von Multi-Agenten. Rasheed et al. arXiv. [Papier]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2023/12] AgentCoder: Multi-Agent-basierte Codegenerierung mit iterativem Testen und Optimierung. Huang et al. arXiv. [Papier]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/11] BEITRETER: Förderung der Codierungsfähigkeit großer Sprachmodelle mit der interaktiven Reparaturkette. Wang et al. ACL. [Papier] [Repo]
[2023/08] AutoGen: Ermöglichung von LLM-Anwendungen der nächsten Generation über Multi-Agent-Konversation. Wu et al. arXiv. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/08] AgentVerse: Erleichterung der Zusammenarbeit mehrerer Agenten und Erforschung neu auftretender Verhaltensweisen. Chen et al. ICLR. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/06] IST SELBSTREPARATUR EIN SCHWARZER KUGEL FÜR DIE CODE-GENERIERUNG?. Olausson et al. ICLR. [Papier] [Repo]
[2023/06] ZUSAMMENARBEIT MIT MULTI-AGENTEN: DIE LEISTUNG INTELLIGENTER LLM-AGENTEN NUTZEN. Talebirad et al. arXiv. [Papier]
[2023/05] Self-Edit: Fehlerbewusster Code-Editor für die Codegenerierung . Zhang et al. ACL. [Papier]
[2023/04] Selbstkollaborative Codegenerierung über ChatGPT. Dong et al. arXiv. [Papier] [Repo]
[2023/03] CAMEL: Kommunikative Mittel zur Erforschung des „Geistes“ einer großen Sprachmodellgesellschaft. Li et al. NeurIPS. [Papier] [Repo]

Rollen in der Software-Qualitätssicherung

[2024/08] SpecRover: Code Intent Extraction via LLMs Ruan et al. arXiv. [Papier] [Repo]
[2024/07] Visionsgesteuertes automatisiertes mobiles GUI-Testen über ein multimodales großes Sprachmodell. Liu et al. arXiv. [Papier] [Repo]
[2024/06] Experimentieren mit Multi-Agent-Softwareentwicklung: Auf dem Weg zu einer einheitlichen Plattform Sami et al. arXiv. [Papier]
[2024/06] Multi-Agent-Softwareentwicklung durch teamübergreifende Zusammenarbeit. Du et al. arXiv. [Papier] [Repo]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/05] AutoCoder: Erweiterung des großen Code-Sprachmodells mit AIEV-INSTRUCT. Lei et al. arXiv. [Papier] [Repo]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/04] KI-gestützte Codeüberprüfung mit LLMs: Erste Ergebnisse. Rasheed et al. arXiv. [Papier]
[2024/04] 3DGen: KI-gestützte Generierung nachweislich korrekter Binärformat-Parser . Fakhoury et al. arXiv [Papier]
[2024/04] Ein einheitlicher Debugging-Ansatz über LLM-basierte Multi-Agent-Synergie. Lee et al. arXiv. [Papier] [Repo]
[2024/04] Wie weit können wir mit der praktischen Reparatur von Programmen auf Funktionsebene gehen? Xiang et al. arXiv. [Papier] [Repo]
[2024/03] MAGIS: LLM-basiertes Multi-Agent-Framework zur Lösung von GitHub-Problemen. Tao et al. arXiv. [Papier]
[2024/03] AGENTFL: Skalierung der LLM-basierten Fehlerlokalisierung auf den Kontext auf Projektebene. Qin et al. arXiv. [Papier]
[2024/03] Kombination von Feinabstimmung und LLM-basierten Agenten für eine intuitive intelligente Vertragsprüfung mit Begründungen. Ma et al. arXiv. [Papier] [Repo]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/03] ACFIX: Anleitung von LLMs mit abgebauten gängigen RBAC-Praktiken zur kontextbewussten Reparatur von Zugriffskontrollschwachstellen in Smart Contracts. Zhang et al. arXiv. [Papier]
[2024/02] CodeAgent: Kollaborative Agenten für Software Engineering. Tang et al. arXiv. [Papier] [Repo]
[2024/02] Testgetriebene Entwicklung zur Codegenerierung. Mathews et al. arXiv. [Papier] [Repo]
[2024/02] CodePori: Großmaßstabsmodell für autonome Softwareentwicklung durch den Einsatz von Multi-Agenten. Rasheed et al. arXiv. [Papier]
[2024/01] XUAT-Copilot: Multi-Agent-Kollaborationssystem für automatisierte Benutzerakzeptanztests mit großem Sprachmodell. Wang et al. arXiv. [Papier]
[2023/12] AgentCoder: Multi-Agent-basierte Codegenerierung mit iterativem Testen und Optimierung. Huang et al. arXiv. [Papier]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/10] Modellbasierte Smart Contract-Schwachstellenerkennung in großen Sprachen: Neue Perspektiven. Hu et al. TPS-ISA. [Papier] [Repo]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/10] White-Box-Compiler-Fuzzing durch große Sprachmodelle. Yang et al. arXiv. [Papier] [Repo]
[2023/10] AXNav: Wiedergabe von Barrierefreiheitstests aus natürlicher Sprache. Taeb et al. CHI. [Papier]
[2023/08] AutoGen: Ermöglichung von LLM-Anwendungen der nächsten Generation über Multi-Agent-Konversation. Wu et al. arXiv. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/06] IST SELBSTREPARATUR EIN SCHWARZER KUGEL FÜR DIE CODE-GENERIERUNG?. Olausson et al. ICLR. [Papier] [Repo]
[2023/06] ZUSAMMENARBEIT MIT MULTI-AGENTEN: DIE LEISTUNG INTELLIGENTER LLM-AGENTEN NUTZEN. Talebirad et al. arXiv. [Papier]
[2023/05] Self-Edit: Fehlerbewusster Code-Editor für die Codegenerierung . Zhang et al. ACL. [Papier]
[2023/03] CAMEL: Kommunikative Mittel zur Erforschung des „Geistes“ einer großen Sprachmodellgesellschaft. Li et al. NeurIPS. [Papier] [Repo]

Assistentenrollen

[2024/08] VIELFALT STÄRKT INTELLIGENZ: INTEGRATION DER KOMPETENZ VON SOFTWARE-ENGINEERING-AGENTEN Zhang et al. arXiv. [Papier]
[2024/08] SpecRover: Code Intent Extraction via LLMs Ruan et al. arXiv. [Papier] [Repo]
[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/03] MAGIS: LLM-basiertes Multi-Agent-Framework zur Lösung von GitHub-Problemen. Tao et al. arXiv. [Papier]
[2024/03] CodeS: Natürliche Sprache zum Code-Repository über mehrschichtige Skizze. Zan et al. arXiv. [Papier] [Repo]
[2024/03] Kombination von Feinabstimmung und LLM-basierten Agenten für eine intuitive intelligente Vertragsprüfung mit Begründungen. Ma et al. arXiv. [Papier] [Repo]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]

Kooperationsmechanismus

Zusammenarbeit

Schichtstruktur

[2024/08] VIELFALT STÄRKT INTELLIGENZ: INTEGRATION DER KOMPETENZ VON SOFTWARE-ENGINEERING-AGENTEN Zhang et al. arXiv. [Papier]
[2024/08] SpecRover: Code Intent Extraction via LLMs Ruan et al. arXiv. [Papier] [Repo]
[2024/06] Experimentieren mit Multi-Agent-Softwareentwicklung: Auf dem Weg zu einer einheitlichen Plattform Sami et al. arXiv. [Papier]
[2024/06] Skalierung der auf einem großen Sprachmodell basierenden Multi-Agenten-Zusammenarbeit Qian et al. arXiv. [Papier] [Repo]
[2024/06] Multi-Agent-Softwareentwicklung durch teamübergreifende Zusammenarbeit. Du et al. arXiv. [Papier] [Repo]
[2024/06] AgileCoder: Dynamische kollaborative Agenten für die Softwareentwicklung basierend auf agiler Methodik. Nguyen et al. arXiv. [Papier] [Repo]
[2024/05] MapCoder: Multi-Agent-Codegenerierung für wettbewerbsorientierte Problemlösung. Islam et al. ACL. [Papier] [Repo]
[2024/05] MARE: Multi-Agents Collaboration Framework für das Anforderungs-Engineering. Jin et al. arXiv. [Papier]
[2024/04] AutoCodeRover: Verbesserung des autonomen Programms. Zhang et al. ISSTA. [Papier] [Repo]
[2024/04] Wie weit können wir mit der praktischen Reparatur von Programmen auf Funktionsebene gehen? Xiang et al. arXiv. [Papier] [Repo]
[2024/03] CodeS: Natürliche Sprache zum Code-Repository über mehrschichtige Skizze. Zan et al. arXiv. [Papier] [Repo]
[2024/03] Wenn LLM-basierte Codegenerierung auf den Softwareentwicklungsprozess trifft. Lin et al. arXiv. [Papier] [Repo]
[2024/03] AGENTFL: Skalierung der LLM-basierten Fehlerlokalisierung auf den Kontext auf Projektebene. Qin et al. arXiv. [Papier]
[2024/02] Wenn Datenflussanalyse auf große Sprachmodelle trifft. Wang et al. arXiv. [Papier]
[2024/02] CodeAgent: Kollaborative Agenten für Software Engineering. Tang et al. arXiv. [Papier] [Repo]
[2024/02] Mehr Agenten sind alles, was Sie brauchen. Li et al. arXiv. [Papier]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2023/11] Autonome Agenten in der Softwareentwicklung: Ein Visionspapier Rasheed et al. arXiv. [Papier]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/10] Modellbasierte Smart Contract-Schwachstellenerkennung in großen Sprachen: Neue Perspektiven. Hu et al. TPS-ISA. [Papier] [Repo]
[2023/10] White-Box-Compiler-Fuzzing durch große Sprachmodelle. Yang et al. arXiv. [Papier] [Repo]
[2023/10] Dynamisches LLM-Agenten-Netzwerk: Ein LLM-Agenten-Kollaborations-Framework mit Agenten-Team-Optimierung. Liu et al. arXiv. [Papier] [Repo]
[2023/08] METAGPT: META-PROGRAMMIERUNG FÜR EINEN MULTI-AGENT-KOLLABORATIVEN RAHMEN. Hong et al. ICLR. [Papier] [Repo]
[2023/08] Flows: Bausteine des Denkens und der kollaborierenden KI. Josifoski et al. arXiv. [Papier] [Repo]
[2023/07] Kommunikative Agenten für die Softwareentwicklung. Qian et al. ACL. [Papier] [Repo]
[2023/05] Self-Edit: Fehlerbewusster Code-Editor für die Codegenerierung . Zhang et al. ACL. Papier
[2023/04] Low-Code-LLM: Visuelle Programmierung über LLMs. Cai et al. arXiv. [Papier] [Repo]

Kreisförmige Struktur

[2024/05] AutoCoder: Erweiterung des großen Code-Sprachmodells mit AIEV-INSTRUCT. Lei et al. arXiv. [Papier] [Repo]
[2024/04] Ein einheitlicher Debugging-Ansatz über LLM-basierte Multi-Agent-Synergie. Lee et al. arXiv. [Papier] [Repo]
[2024/03] ACFIX: Anleitung von LLMs mit abgebauten gängigen RBAC-Praktiken zur kontextbewussten Reparatur von Zugriffskontrollschwachstellen in Smart Contracts. Zhang et al. arXiv. [Papier]
[2024/03] Multi-Rollen-Konsens durch LLM-Diskussionen zur Schwachstellenerkennung. Mao et al. QRS. [Papier]
[2024/03] Kombination von Feinabstimmung und LLM-basierten Agenten für eine intuitive intelligente Vertragsprüfung mit Begründungen. Ma et al. arXiv. [Papier] [Repo]
[2024/02] Testgetriebene Entwicklung zur Codegenerierung. Mathews et al. arXiv. [Papier] [Repo]
[2024/02] CodePori: Großmaßstabsmodell für autonome Softwareentwicklung durch den Einsatz von Multi-Agenten. Rasheed et al. arXiv. [Papier]
[2023/12] Experimentelles Co-Learning von Software-Entwicklungsagenten. Qian et al. ACL. [Papier] [Repo]
[2023/12] AgentCoder: Multi-Agent-basierte Codegenerierung mit iterativem Testen und Optimierung. Huang et al. arXiv. [Papier]
[2023/11] BEITRETER: Förderung der Codierungsfähigkeit großer Sprachmodelle mit der interaktiven Reparaturkette. Wang et al. ACL. [Papier] [Repo]
[2023/11] Absichtsgesteuerte mobile GUI-Tests mit autonomen Large Language Model Agents . Yoon et al. ICST. [Papier] [Repo]
[2023/10] AXNav: Wiedergabe von Barrierefreiheitstests aus natürlicher Sprache. Taeb et al. CHI. [Papier]
[2023/06] IST SELBSTREPARATUR EIN SCHWARZER KUGEL FÜR DIE CODE-GENERIERUNG?. Olausson et al. ICLR. [Papier] [Repo]
[2023/03] CAMEL: Kommunikative Mittel zur Erforschung des „Geistes“ einer großen Sprachmodellgesellschaft. Li et al. NeurIPS. [Papier] [Repo]
[2023/03] Reflexion: Sprachagenten mit verbalem Verstärkungslernen. Shinn et al. NeurIPS. [Papier] [Repo]

Baumartige Struktur

[2024/06] Skalierung der auf einem großen Sprachmodell basierenden Multi-Agenten-Zusammenarbeit Qian et al. arXiv. [Papier] [Repo]
[2024/06] MASAI: Modulare Architektur für Software-Engineering-KI-Agenten. Arora et al. arXiv. [Papier]
[2024/04] Selbstorganisierte Agenten: Ein LLM-Multi-Agent-Framework für die Codegenerierung und -optimierung im extrem großen Maßstab. Ishibashi et al. arXiv. [Papier] [Repo]

Sternartige Struktur

[2024/06] Skalierung der auf einem großen Sprachmodell basierenden Multi-Agenten-Zusammenarbeit Qian et al. arXiv. [Papier] [Repo]
[2024/03] AutoDev: Automatisierte KI-gesteuerte Entwicklung . Tufano et al. arXiv [Papier]
[2024/01] XUAT-Copilot: Multi-Agent-Kollaborationssystem für automatisierte Benutzerakzeptanztests mit großem Sprachmodell. Wang et al. arXiv. [Papier]
[2023/10] RCAgent: Cloud-Ursachenanalyse durch autonome Agenten mit Tool-erweiterten großen Sprachmodellen. Wang et al. arXiv. [Papier]
[2023/08] AutoGen: Ermöglichung von LLM-Anwendungen der nächsten Generation über Multi-Agent-Konversation. Wu et al. arXiv. [Papier] [Repo]

Netzstruktur

[2024/06] Skalierung der auf einem großen Sprachmodell basierenden Multi-Agenten-Zusammenarbeit Qian et al. arXiv. [Papier] [Repo]
[2024/04] 3DGen: KI-gestützte Generierung nachweislich korrekter Binärformat-Parser . Fakhoury et al. arXiv [Papier]

Zusammenarbeit zwischen Mensch und Agent

Mensch-Agent

Planungsphase

[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2024/01] LLM4PLC: Nutzung großer Sprachmodelle für die überprüfbare Programmierung von SPSen in industriellen Steuerungssystemen. Fakih et al. ICSE. [Papier] [Repo]
[2023/10] Statische Code-Analyse im KI-Zeitalter: Eine eingehende Untersuchung des Konzepts, der Funktion und des Potenzials der intelligenten Code-Analyse. Fan et al. arXiv. [Papier]
[2023/04] Low-Code-LLM: Visuelle Programmierung über LLMs. Cai et al. arXiv. [Papier] [Repo]

Anforderungsphase

[2024/05] MARE: Multi-Agents Collaboration Framework für das Anforderungs-Engineering. Jin et al. arXiv. [Papier]
[2024/02] Ausführbare Codeaktionen sorgen für bessere LLM-Agenten. Wang et al. ICML. [Papier] [Repo]
[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2023/10] ClarifyGPT: Stärkung der LLM-basierten Codegenerierung mit Absichtsklärung. Mu et al. arXiv. [Papier] [Repo]
[2023/06] Prompt Sapper: LLM-gestützte Software-Engineering-Infrastruktur für KI-native Dienste. Xing et al. arXiv. [Papier]

Entwicklungsphase

[2024/03] CodeS: Natürliche Sprache zum Code-Repository über mehrschichtige Skizze. Zan et al. arXiv. [Papier] [Repo]
[2024/01] LLM4PLC: Nutzung großer Sprachmodelle für die überprüfbare Programmierung von SPSen in industriellen Steuerungssystemen. Fakih et al. ICSE. [Papier] [Repo]
[2023/09] MINT: BEWERTUNG VON LLMS IN MULTI-TURN-INTERAKTION MIT TOOLS UND SPRACHFEEDBACK. Wang et al. ICLR. [Papier] [Repo]
[2023/08] Flows: Bausteine des Denkens und der kollaborierenden KI. Josifoski et al. arXiv. [Papier] [Repo]
[2023/08] AutoGen: Ermöglichung von LLM-Anwendungen der nächsten Generation über Multi-Agent-Konversation. Wu et al. arXiv. [Papier] [Repo]

Evaluierungsphase

[2024/01] Experimentieren mit einer neuen Programmierpraxis mit LLMs. Zhang et al. arXiv. [Papier] [Repo]
[2023/08] Gentopia: Eine kollaborative Plattform für Tool-erweiterte LLMs. Xu et al. EMNLP. [Papier] [Repo]
[2023/06] Prompt Sapper: LLM-gestützte Software-Engineering-Infrastruktur für KI-native Dienste. Xing et al. arXiv. [Papier]
[2023/03] ART: Automatische mehrstufige Argumentation und Werkzeugnutzung für große Sprachmodelle. Paranjape et al. arXiv. [Papier] [Repo]

Zitat

 @misc{Agent4SE, title={Modellbasierte Agenten in großen Sprachen für die Softwareentwicklung: Eine Umfrage},
       Autor={Junwei Liu und Kaixin Wang und Yixuan Chen und Xin Peng und Zhenpeng Chen und Lingming Zhang und Yiling Lou}, Jahr={2024}, eprint={2409.02977}, archivePrefix={arXiv}, PrimaryClass={cs.SE} , url={https://arxiv.org/abs/2409.02977},
 }