本記事は OpenHands: An Open Platform for AI Software Developers as Generalist Agents の解説記事です。 論文概要（Abstract） OpenHandsは、LLMエージェントが実際の開発環境（Dockerサンドボックス、ブラウザ、ターミナル、ファイルシステム）を操作してソフトウェア開発タスクを遂行できるオープンソ...

本記事は Effective Harnesses for Long-Running Agents（Anthropic Engineering Blog、2025年11月26日公開、著者: Justin Young）の解説記事です。 ブログ概要（Summary） 長時間稼働するAIエージェントが複数のコンテキストウィンドウにまたがって進捗を維持する際の根本的な課題 — 「各新セッションが前...

本記事は https://arxiv.org/abs/2311.12785 の解説記事です。 論文概要（Abstract） LLM Compilerは、LLMエージェントのツール呼び出し（function calling）を「コンパイラ」のメタファーで体系化し、独立した関数呼び出しをDAG（有向非巡回グラフ）として表現・並列実行するフレームワークである。著者らは、従来のReActパターン...

本記事は Reasoning Models Don’t Always Say What They Think の解説記事です。 論文概要（Abstract） Chain-of-Thought（CoT）推論トレースは、LLMがどのように回答に至ったかを示す証拠として広く利用されている。しかし、そのトレースはモデルの実際の推論過程を忠実に反映しているのだろうか。著者らはこの問いに対し、プロン...

本記事は SWE-bench Verified: A More Reliable Benchmark for Evaluating AI Coding Agents の解説記事です。 論文概要（Abstract） SWE-benchはGitHub Issueの自動解決能力でAIコーディングエージェントを評価するベンチマークとして広く利用されているが、一部のタスクが解決不可能であったりテス...

論文概要 本記事は Is Self-Repair a Silver Bullet for Code Generation?（arXiv:2306.09896）の解説記事です。 本論文は、LLMが自ら生成したコードのバグを自己修復（self-repair）できるかを体系的に評価した研究である。CodeLlama-13b、GPT-3.5、GPT-4の3モデルをHumanEvalとAPPSの2...

論文概要 本記事は AutoCodeRover: Autonomous Program Improvement（ISSTA 2024採択、arXiv:2404.05427）の解説記事です。AutoCodeRoverは、大規模言語モデル（LLM）と抽象構文木（AST）ベースのコード検索を組み合わせ、GitHubのIssueを自律的に解決するエージェントです。ソフトウェアプロジェクトをファイル...

論文概要 本記事は BitsAI-CR: Automated Code Review via LLM in Practice（arXiv:2501.15134）の解説記事です。 この記事は Zenn記事: Claude Codeで本番プロジェクトにAI拡張開発を組み込む実践ワークフロー の深掘りです。 BitsAI-CRは、ByteDanceが開発・運用しているLLMベースの自動コード...

Anthropic公式レポート解説: 2026 Agentic Coding Trends Report ブログ概要（Summary） 本記事は 2026 Agentic Coding Trends Report（Anthropic, 2026年1月発表）の解説記事です。 このレポートは、コーディングエージェントがソフトウェア開発のライフサイクル全体をどのように変えつつあるかを、Fou...

本記事は CheckEval: Robust Evaluation Framework using Large Language Model via Checklist の解説記事です。 論文概要（Abstract） LLMを評価器として使用する際、スコアリング基準の曖昧さと評価結果の不安定性が課題となっている。著者らは、評価基準をチェックリスト項目（Yes/No判定可能な具体的な質問）...