Logan Murphy, Wilson Sy, Rhys Balevicius, Kelsie Fung, Karenna Kung, Aren A. Babikian, Marsha Chećhik · 2026 · arXiv (Cornell University)
DOI: 10.48550/arxiv.2610.29758 · cited by 0 works (OpenAlex) · open-access PDF
Использование инструментов на основе ИИ в разработке программного обеспечения быстро меняет способ производства программного обеспечения, позволяя генерировать большие объемы кода с ограниченными человеческими усилиями. Тем не менее, это вызывает фундаментальные проблемы для обеспечения того, чтобы генерируемые артефакты соответствовали намерениям разработчика и были надлежащим образом подтверждены. В этой работе мы предлагаем использовать структурированную аргументацию в управлении разработкой программного обеспечения, поддерживаемого ИИ. Вдохновленные методами обеспечения безопасности для критических систем, мы определяем язык обоснования, который явно связывает неформальные позывы на естественный язык, формальные спецификации, предположения о намерениях разработчика и доказательства анализа программ в структурированном и проверяемом формате. Мы затем описываем AssureCode, инстру
Machine translation (Meta M2M100); the English original follows.
The use of AI-based tools in software development is rapidly changing how software is produced, enabling large volumes of code to be generated with limited human implementation effort. However, this raises fundamental challenges for ensuring that generated artifacts are aligned with developer intent and have been appropriately validated. In this work, we propose the use of structured argumentation in driving AI-assisted software development. Inspired by techniques from assurance engineering for safety-critical systems, we define a language of justification rationales that explicitly relate informal natural language prompts, formal specifications, assumptions about developer intentions, and program analysis evidence in a structured and verifiable format. We then describe AssureCode, a tool-supported methodology for creating such rationales as part of agentic code generation. We provide an empirical analysis of our implementation where we investigate its capacity to contribute towards justified assurance of correctness for AI-generated code.
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
Topics: Computer science, Verifiable secret sharing, Correctness, Argumentation theory, Software engineering, Trustworthiness
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.29758, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange