paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Setup AGent (SAG): A Dual-Model LLM Agent for Autonomous End-to-End Java Project Configuration

Setup AGent (SAG)：面向自主端到端 Java 项目配置的双模型 LLM 智能体
ICSE Proceedings of the IEEE/ACM 48th International Conference on Software Engineering2026匹配度 3/10 · 该论文是面向 Java 项目环境配置的 LLM Agent，属于软件工程/开发者工具方向；它与用户关注的静态分析、形式化验证、浮点程序分析、贝叶斯程序分析均无交集，且研究目标偏向提升 Agent 自身能力（环境配置），而非将 LLM 用于改进程序分析。仅在'Agentic 程序'这一宽泛背景下略有相关。引用 0 inbox
Chenhao Wei, Gengwu Zhao, Xinyi Li, Billy Ye, Lu Xiao
机器学习与程序语言编程环境与开发者工具
crossref: 2026-09-12

AI 速览

一句话：提出双模型 LLM 智能体 SAG，自主完成端到端 Java 项目环境配置，以缓解 Java/JVM 仓库配置成功率低的问题。

环境配置是软件开发的关键瓶颈，Java 项目因构建工具配置复杂、传递依赖和编译要求而尤为困难。现有 Installamatic 在 Python 仓库上达到 55% 成功率，但 Java/JVM 仓库仅 29.47%。本文提出 Setup AGent (SAG)，一种双模型 LLM 智能体，旨在自主完成端到端 Java 项目配置。摘要未给出 SAG 的具体评估结果与指标，因此其有效性仍需通过后续实验验证。

问题
Java/JVM 项目环境配置难度高，现有自动化方法成功率仅 29.47%，远低于 Python 的 55%，成为开发瓶颈。
方法
提出双模型 LLM 智能体 Setup AGent (SAG)，面向端到端 Java 项目配置进行自主处理。
评估
摘要仅以现有方法 Python 55% 与 Java/JVM 29.47% 的成功率作对比，未说明 SAG 自身的评估数据集、指标或结果。
原文摘要（Abstract）

Environment setup remains a critical bottleneck in software development, with Java projects presenting unique challenges due to complex build tool configurations, transitive dependencies, and compilation requirements. While existing solutions like Installamatic achieve 55% success on Python repositories, Java/JVM repositories show only 29.47% success rates with current approaches.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot11968,
  title = {Setup AGent (SAG): A Dual-Model LLM Agent for Autonomous End-to-End Java Project Configuration},
  author = {Chenhao Wei and Gengwu Zhao and Xinyi Li and Billy Ye and Lu Xiao},
  booktitle = {ICSE},
  year = {2026},
  doi = {10.1145/3786582.3786818}
}