本論文は、近年のサーベイがソフトウェアエンジニアリングのためのエージェントや大規模言語モデルを概観している一方で、それらの能力をプロセスへと変える運用フレームワークを取り上げていないと論じる。分析単位とするのはエージェントそのものではなく、その上で動く層、すなわちエージェントを使う者を組織する成果物、コマンド、役割、テンプレート、ワークフロー、ポリシーの構造化された集合である。その仮説は、これらのフレームワークの価値はコードを書く作業の自動化よりも、エージェントを取り巻く認知的・運用的な作業をどう構造化するかにあるというものであり、問いを「どのモデルがより良いコードを書くか」から「どのプロセスなら人間とエージェントが変更に関するコンテキスト、トレーサビリティ、制御を保てるか」へと移している。
フレームワークは、網羅的なシステマティックレビューではなく、一次情報源を対象とした目的志向の定性的な探索によって選定され、4 つの部分からなる機能的な採用基準が適用された。すなわち、その成果物はコードを生成するだけでなく、仕様、計画、コンテキスト、役割、ワークフロー、検証を通じて開発サイクルを支援しなければならない。すでに開発エージェントを運用している者を対象としていなければならない。エージェント、IDE、クローズドなプラットフォームそのものであってはならない。そして、エージェントシステムを構築するための汎用 SDK であってはならない。第 2 の普及度フィルターとして、GitHub のスターが 1,000 以上であり、直近 6 か月以内に push があることが求められた。これを通過したのは次の 6 つのフレームワークである。GitHub Spec Kit、OpenSpec、BMAD（Breakthrough Method for Agile AI-Driven Development）、Get Shit Done (GSD)、Spec Kitty、Reversa。
本論文の中心的な貢献は、仕様、コンテキスト、役割、実行、検証、移植性からなる 6 次元プロセス分類法 であり、これに 3 段階のルーブリックが添えられることで、記述的な語彙から再現可能な評価手段へと変わっている。著者はこの評価手段を選定した 6 つのフレームワークに適用し、さらに一般性を検証するため、普及度が低いという理由で意図的に除外した 1 つのフレームワーク Spec-Flow にも適用している。
要点
- 6 つの次元が提案されたのは、それらが分析した 6 つのフレームワークすべてに、名前を変えて繰り返し現れるからである。エージェント間の移植性は、インストール上の細部ではなく第一級の比較基準として扱われており、既存の製品比較はそうしていないと本論文は主張する。
- ルーブリック（0 = 存在しないか初歩的、1 = 部分的、2 = 強力または中心的）のもとでは、6 つの次元すべてで高得点を得たフレームワークは存在しない。本論文はこれを構造的なトレードオフと解釈している。最も移植性の高いフレームワークは役割と検証を犠牲にし、最も深いプロセスを持つフレームワークは移植性と実行を落とし、最もコンテキストに重点を置いたフレームワークは役割、検証、移植性で 0 点となる。
- 仕様は最も飽和した次元であり、ほぼすべてのフレームワークが 2 点を得ているため、フレームワーク間を区別する力が最も弱い。役割と検証は最も二極化しており、したがって最も情報量が多い。
- 普及度が低いために除外されたサンプル外のフレームワークに分類法を適用すると、検討したすべての事例の中で最も完全なプロファイルが得られた。本論文はこの対比から 2 つの結論を導く。評価手段はサンプルを超えて一般化できること、そして普及度とプロセスの完全性は直交しており、普及度フィルターが選ぶのは最も完全なフレームワークではなく最も普及したフレームワークであることである。
- すでに何らかのプロセスを採用しているフレームワーク全体で、本論文は仕組みの収束を見出している。単発のプロンプトは中心的な位置を失い、永続的な成果物、作業契約、トレーサビリティ、人間によるレビューが、曖昧さを減らしエージェントを協調させる手段になっている。
- 繰り返し現れる 5 つのパターンが挙げられている。プロンプトを契約へと変換すること、コンテキストをエンジニアリング資産として扱うこと、最終テストを超えた検証、自律性とガバナンスの間の緊張、そしてインストール可能なコマンド、スキル、テンプレートのサプライチェーンの出現であり、最後のものはサプライチェーンリスクを伴う。
- 本論文が整理する繰り返し現れるリスクは、仕様とコードの間のドリフト、生成された成果物への過度の信頼、コミュニティ拡張の脆弱性、プラットフォームへの依存、そしてプロセス全体を対象とするベンチマークの欠如である。
- 提案された研究課題には、最終的な解だけでなく中間成果物の品質を測るプロセス指向のベンチマーク、コンテキストとグラウンディングの指標、権限のガバナンスとセキュリティ、仕様ドリフトの自動検出、そして実際のチームを対象とした縦断的研究が含まれる。
補足
本論文は、2 つの先行研究群との関係で自らを位置づけている。ソフトウェアエンジニアリングにおけるエージェントに関する学術的なレビューは、認知的な構成要素やライフサイクル上のタスクによって分類されており、著者はそれが本論文の用いるエンジニアリングプロセスの観点とは異なるレンズを採っていると論じる。仕様駆動開発ツールの商業的な比較は、すでに同じフレームワークのいくつかを扱っているが、それは製品コンテンツとしてであり、明示的な分類法も監査可能な選定基準もなく、ある事例では比較対象のツールの 1 つによって公開されている。
著者はいくつかの限界を明示的に記している。目的志向の探索は網羅性よりも深さを優先しているため、普及度の低いフレームワークやごく最近のフレームワークが漏れている可能性がある。スターと活動量で測った普及度は不完全で不安定な指標とされ、数値は 2026 年 5 月時点のスナップショットである。一次情報源の一部は宣伝的なバイアスを含みうるグレー文献であり、本論文はその主張を正式な文献と突き合わせることで緩和していると述べる。次元ごとの採点は単一の評価者によって行われ、独立した第 2 のコーダーはおらず、評価者間信頼性も報告されていない。本論文はこれをルーブリックの客観性に対する脅威として挙げ、今後の課題としている。利益相反も申告されている。対象とした 6 つのフレームワークのうち 1 つは本研究の著者自身が作成したものであり、著者はそれにも他と同じ批判的分析とリスクの記録を適用していると述べている。一次情報源に見られる生産性に関する主張は、測定値として再現されるのではなく、定性的に扱われている。
本論文は結びで、実証的な基盤がなければ、これらのフレームワークは バイブコーディング に用語の層を 1 枚重ねて制度化するだけに終わるおそれがあり、厳密な評価を伴えば、人間が読めてエージェントが実行できるプロセスからなるソフトウェアエンジニアリングの層になりうると警告している。著者は、文章の整合性を高めるために Grammarly のツールを、文章の構成支援と英語への翻訳に Claude のモデルを使用したこと、そして著者自身が内容を確認・編集し、その全責任を負うことを明記している。