Retrieval-Augmented Code Generation: A Survey with Focus on Repository-Level Approaches
本調査は、リポジトリレベルのアプローチに特化した Retrieval-Augmented Code Generation（RACG）の包括的なレビューを提供し、大規模言語モデルがソフトウェアリポジトリ全体にわたって一貫したコードを生成することを可能にするための検索戦略、自律エージェント、および主要な課題を検証するための統一的な分析枠組みを提示する。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
以下は、「リポジトリレベルのアプローチに焦点を当てた検索拡張コード生成：調査」と題された論文の、創造的な比喩を用いた平易な日本語訳です。
全体像：一文を書くことから都市を建設することへ
あなたが熟練した建築家だと想像してください。
- 従来のコード生成（関数レベル）： これは、小説のために完璧な一文を書くよう求められているようなものです。文法と直近のストーリーさえ知っていれば十分です。
- リポジトリレベルのコード生成（RLCG）： これは、都市全体を再設計するよう求められているようなものです。一本の通りだけを見ていればよいのではなく、地下鉄が電力網とどう接続しているか、新しい公園が別の地区の交通にどう影響するか、古い図書館の下の水道管がどう走っているかを理解しなければなりません。
この論文は、AI が単一の文（コード関数）を書くのは得意だが、実際のソフトウェアは煩雑で巨大であり、異なるファイル間の隠れた関係に満ちているため、「都市」（ソフトウェアプロジェクト全体）の建設には苦労すると主張しています。
解決策：「スーパー司書」（RACG）
AI 建築家が都市を建設するのを助けるため、この論文は**検索拡張コード生成（RACG）**という概念を導入しています。
AI を世界のすべての本を暗記した天才ではなく、図書館を利用する必要がある優秀な学生だと考えてください。
- 問題： 配管の漏れを修理するよう学生に頼むと、配管の場所を知らないため、間違った推測をするかもしれません。
- 解決策（RAG）： 学生が修理を書き出す前に、図書館へ行き、この特定の建物の設計図を見つけ、関連するページを読みます。その後、その新鮮な情報を用いてコードを書きます。
この論文によれば、これは図書館への単発の訪問ではありません。学生が作業を進めるにつれて、設計図を繰り返し確認し、新たな質問を投げかけ、計画を調整する動的なプロセスです。
図書館を整理する 2 つの主要な方法
この調査は、これらの「スーパー司書」が情報を検索する方法を 2 つの主要なスタイルに分類しています。
1. 「平らな山積み」アプローチ（非グラフベース）
図書館に本が巨大な山積みになっていると想像してください。必要なものを見つけるには、「配管」や「漏れ」といったキーワードで検索します。
- 仕組み： AI は問題に一致する単語を探します。
- 欠点： 配管マニュアルの「配管」に関する本を見つけることはできても、この特定の建物では、別のファイルで言及されている奇妙な素材で配管が作られているという事実を見逃す可能性があります。単純な検索には適していますが、深い関係性を見逃すことがあります。
2. 「地図」アプローチ（グラフベース）
図書館に都市の巨大な 3D 地図があると想像してください。本はただ山積みになっているのではなく、紐でつながれています。
- 仕組み： AI は、「ファイル A」が「ファイル B」を呼び出しているため、それらが接続されていることを認識します。紐（地下鉄の路線図のようなもの）を追って、問題の正確な場所を見つけます。
- 欠点： この地図を作るには時間と労力が大量にかかります。都市が変われば（新しいコードが追加されれば）、地図は書き直さなければなりません。また、異なる都市（プログラミング言語）には、異なる地図のスタイルが必要です。
進化：ロボットから探偵へ
この論文は、これらのシステムがどのように賢くなっていったかを追跡し、「自律性のレベル」を 3 つの段階で示しています。
- レベル 0：静的なロボット。 ロボットは質問を受け取り、一つの答えを調べてコードを書きます。たとえ間違いを犯しても、決して考えを変えません。
- レベル 1：自己修正する学生。 学生は草案を書き、チェックし、間違っていることに気づき、さらに情報を調べて再挑戦します。「試す → 確認 → 修正」というループです。
- レベル 2：探偵エージェント。 これは完全な探偵です。エージェントは質問を待つだけではありません。都市（コードリポジトリ）を歩き回り、扉を開け、地下室を確認し、「ツール」（ターミナルやコンパイラなど）と話し合い、次に何を調べるかを自ら決定します。自ら捜査計画を立てます。
ツールキット：彼らは何を使っているか
この論文は、これらのシステムが使用するツールも検討しています。
- データベース： 彼らはコードファイルだけでなく、バグ報告、ユーザーのコメント、さらには開発者が過去に類似の問題をどのように修正したかといった情報も利用します。
- 頭脳（モデル）： 彼らは作業のために異なる「心」を使用します。一部は小さく高速（単純なタスクに適している）であり、他方は巨大で高価（複雑な推論に適している）です。興味深いことに、この論文は、多くの研究者が依然として大規模な「プロプライエタリモデル」（OpenAI や Google のものなど）が非常に強力であるにもかかわらず、実行コストが安価なため、小さくオープンソースのモデルを使用していると指摘しています。
大きな疑問と課題
この論文は、いくつかの厳しい問いで締めくくられています。
- 司書は必要か？ AI 学生が頭の中に都市全体を保持できるほどの記憶（「ロングコンテキスト」モデル）を持っている場合、彼らはまだ司書が必要でしょうか？論文の答えは：必要だが、状況によるです。小さな家であれば、司書は不要かもしれません。しかし、巨大な大都市であれば、すべてを暗記しようとするよりも、司書の方が速く効率的です。
- 安全性： 図書館に偽の設計図が混入すれば、AI は危険な建物を建設するかもしれません。この論文は、ハッカーがシステムをだまして悪質なコードを検索させる可能性があることを警告しています。
- 「現実世界」のギャップ： ほとんどのテストは、小さく完璧な例で行われています。この論文は、実際のソフトウェアが毎日変化するのと同様に、これらのシステムを、毎日変化する煩雑な現実世界のプロジェクトでテストする必要があると主張しています。
まとめ
要約すると、この論文は、AI が推測するだけでなく、プロジェクト全体を読み、関係性を理解し、探偵のように振る舞って問題を解決する方法を学ぶための地図です。これは、「コードの一行を書く AI」から「ソフトウェア企業のコードベース全体をナビゲートし、修正できる AI」へと私たちを移行させます。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。