PyTorchKR Papers

최신 논문

총 4편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2604.20779v2cs.AI

SWE-chat: 실제 환경에서 실제 사용자의 코딩 에이전트 상호작용

SWE-chat: Coding Agent Interactions From Real Users in the Wild

AI 코딩 에이전트(agent)가 대규모로 도입되고 있으나, 사람들이 실제로 이를 어떻게 활용하고 실무에서 그 결과물이 얼마나 유용한지에 대한 실증적 증거는 부족합니다. 본 논문에서는 오픈소스 개발자들로부터 실제 환경(in the wild)에서 수집한 최초의 대규모 실제 코딩 에이전트 세션 데이터셋(dataset)인 SWE-chat을 제시합니다. 이 데이터셋은 현재 약 18,000개의 세션을 포함하고 있으며, 이는 229,000개 이상의 사용자 프롬프트(prompt)와 200만 건의 에이전트 도구 호출로 구성됩니다. SWE-chat은 지속적으로 갱신되는(living) 데이터셋으로, 자체 수집 파이프라인이 공개 저장소로부터 세션을 자동적이고 지속적으로 탐색 및 처리합니다. SWE-chat을 활용하여 저자들은 실제 코딩 에이전트의 사용 방식과 실패 모드에 대한 초기 실증적 특성을 분석합니다. 연구 결과 코딩 패턴은 양봉형(bimodal)을 보였습니다. 41%의 세션에서는 에이전트가 커밋된 코드의 거의 전부를 작성한 반면("바이브 코딩(vibe coding)"), 25%에서는 사람이 모든 코드를 직접 작성했습니다. 역량이 급속도로 향상되고 있음에도 불구하고, 코딩 에이전트는 자연스러운 환경에서 여전히 비효율적입니다. 에이전트가 생성한 모든 코드 중 59%만이 사용자의 커밋에 최종 반영되며, 에이전트가 작성한 코드는 사람이 작성한 코드보다 더 많은 보안 취약점을 유발합니다. 나아가 사용자들은 전체 턴의 50%에서 수정, 실패 보고, 중단 등을 통해 에이전트의 출력에 반대하거나 개입(push back)합니다. 인간과 에이전트의 코드 작성자 속성을 포함한 완전한 상호작용 기록(trace)을 포착함으로써, SWE-chat은 정제된 벤치마크를 넘어 실제 개발자 작업 흐름에서 AI 에이전트가 어떻게 작동하는지 증거 기반으로 이해하기 위한 실증적 토대를 제공합니다.

arXiv:2607.05406v1cs.CY

바이브 코딩을 통한 AI 기반 학습 기술 개발을 위한 K-12 교사 지원 가이드 프레임워크

A Guiding Framework for K-12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding

대규모 언어 모델(LLM)은 자연어 프롬프트로부터 코드를 생성하여 "바이브 코딩(vibe coding)"을 가능하게 하며, 이는 비프로그래머도 컴퓨팅 솔루션을 개발할 수 있도록 해준다. 교사를 위한 바이브 코딩은 교사-설계자로서의 가치를 증폭시켜 기술 통합을 개선하는 동시에 AI 리터러시를 함양한다. 그러나 이 과정을 지원하기 위한 체계적인 지침은 부족한 실정이다. 우리는 K-12 교사들이 바이브 코딩을 통해 AI 기반 학습 기술을 개발할 수 있도록 지원하는 프레임워크인 GAIDE(A Guiding Framework for AI-Integrated Design for Educators)를 제안한다. 디자인 씽킹(Design Thinking)과 INTERACT를 기반으로 구축된 초기 프레임워크는 8주간의 워크숍에서 세 명의 교사와 네 명의 교수 멘토를 대상으로 한 CORDTRA 상호작용 분석을 통해 검증되어 최종 프레임워크를 도출하였다. 또한 사전·사후 인터뷰의 질적 분석을 통해 교사들의 AI 리터러시 향상이 확인되었다. 연구 결과는 전문성 개발에 있어 창작을 통한 학습(learning-by-creating)의 잠재력을 강조한다.

arXiv:2606.19042v1cs.SE

가변성은 어디로 갔는가? Vibe Coding에서 재생성 기반 제품 라인으로

Where Did the Variability Go? From Vibe Coding to Product Lines by Regeneration

Vibe Coding으로 생성된 C/C++ 프로젝트 10개를 분석한 결과, 컴파일·런타임 아티팩트 내 가변성은 거의 없고 모든 변형 결정이 LLM 생성 시점에 고정된다. 이에 LLM을 파생 엔진으로 삼아 선언적 사양에서 변형마다 데드 코드 없는 바이너리를 재생성하고 변형 디스패처로 요청을 라우팅하는 재생성에 의한 가변성(VbR)을 제안하며, AI 생성 소프트웨어의 가변성은 코드가 아닌 사양에 둬야 한다고 주장한다.

arXiv:2606.18293v1cs.SE

바이브 코딩이 내 숙제를 먹어버렸다: 그린필드(greenfield) 소프트웨어 엔지니어링 및 프로그래밍에 대한 AI 접근 방식 평가

Vibe Coding Ate My Homework: An evaluation of AI approaches to greenfield software engineering and programming

바이브 코딩(vibe coding)이 그린필드(greenfield) 소프트웨어 엔지니어링에 얼마나 쓸 수 있는지와 이를 측정하는 벤치마크를 검토하고, Python의 단순·독립 그린필드 프로그래밍 과제에서 대규모 언어 모델(LLM)의 수행력을 평가하는 평가 스위트를 제안한다. 프롬프트를 기술적 깊이에 따라 나눠 여러 LLM에 보내고 생성 코드가 요구를 충족하는지 점수화함으로써, 바이브 코딩의 신뢰성과 벤치마크 설계를 범위 있게 분석한다.