ASE(에이전트 소프트웨어 엔지니어링) — 프로젝트 설명

그것이 무엇인가

ASE는 에이전트 소프트웨어 엔지니어링에 관한 1,663편의 연구 논문을 엄선한 컬렉션입니다. 즉, AI 에이전트/대규모 언어 모델(LLM)을 사용하여 소프트웨어 엔지니어링 작업을 수행하는 것입니다. 논문은 소프트웨어 엔지니어링, 프로그래밍 언어, 보안, NLP 분야의 주요 학회에서 수집되었습니다. 이 프로젝트에는 자동 논문 라벨링 스킬도 포함되어 있습니다. 이는 Claude Code 기반의 파이프라인으로, 원시 회의록 파일(BibTeX 또는 HTML 형식)을 읽고 관련 논문을 선별하고 주제별로 분류하여 데이터베이스에 병합합니다. 수동 작업은 거의 필요하지 않습니다.

데이터베이스/웹사이트

논문은 웹사이트(로컬에서 web/index.html을 열거나 온라인으로 탐색)를 통해 탐색할 수 있습니다. 인터페이스는 다음을 지원합니다:

제목과 초록에 대한 전체 텍스트 검색
연도 및 학회 필터 — 독립적인 단일 선택 드롭다운; 학회 이름은 정규화됩니다(예: "ICSE"는 모든 ICSE 연도와 일치)
라벨 필터 — 사이드바 또는 논문 카드의 라벨 알약을 클릭하여 하나 이상의 연구 주제 선택; 여러 라벨은 AND 논리로 결합
확장 가능한 초록 — 논문 카드를 클릭하면 초록이 표시됨
활성 필터 요약 — 각 활성 제약 조건은 도구 모음 아래에 제거 가능한 태그로 표시됨

모든 필터 차원(연도, 학회, 라벨)은 선택 사항이며 AND 논리로 결합됩니다. 모든 활성 제약 조건을 충족하는 논문만 표시됩니다.

범위 및 추적 학회

논문은 2023-2026년에 공개된 모든 회의록에서 체계적으로 수집되며, 이전 연도(2020-2022) 및 기타 학회의 선별된 논문도 최선의 노력으로 수집됩니다.

분야별 추적 학회:

소프트웨어 엔지니어링: ICSE(2023-2025), FSE(2023-2025), ASE(2023-2025), ISSTA(2022-2025), TSE(2023-2024), TOSEM(2023-2024)
프로그래밍 언어: PLDI(2023, 2025), OOPSLA(2023-2025), POPL(2025), CC(2025), COLM(2025)
보안: S&P(2023-2025), USENIX Security(2023-2025), CCS(2023-2025), NDSS(2024-2026), RAID(2023)
NLP: ACL(2023-2025), EMNLP(2020, 2023-2025), NAACL(2024-2025)
기계 학습: ICML(2021, 2023-2025), NeurIPS(2022-2024), ICLR(2021, 2023-2025)

2023-2026년 학회별 발표 수(README 표에 표시된 대로):

소프트웨어 엔지니어링(표에서): ICSE 166, FSE 130, ASE 292, ISSTA 98 → 총 686
프로그래밍 언어(표에서): PLDI 6, OOPSLA 34, POPL 1 → 총 41
보안(표에서): CCS 47, USENIXSec 41, S&P 22, NDSS 55 → 총 165(NDSS 2026 데이터 포함)
NLP(표에서): ACL 294, EMNLP 250, NAACL 22 → 총 566
(기계 학습 수는 README에 표 형식으로 세분화되지 않음)

논문 구성 방법(분류 체계)

논문은 2단계 분류 체계로 분류됩니다: 9개의 최상위 범주와 47개의 하위 범주. 한 논문에 여러 라벨을 부여할 수 있습니다. 분류 체계에는 세 개의 슈퍼 그룹이 있습니다:

1. SE를 위한 에이전트 — LLM 또는 AI 에이전트가 핵심 소프트웨어 엔지니어링 작업에 적용되는 논문:

코드 생성(750편) — 하위 범주에는 프로그램 합성(410), 프로그램 수리(223), 코드 번역(69), 코드 완성(68), 리팩토링(37), 역컴파일(23)
정적 분석(446편) — 하위 범주에는 버그 탐지(249), 코드 요약(67), 코드 검색(51), 프로그램 검증(44) 등
동적 분석(287편) — 하위 범주에는 테스트 케이스 생성(118), 퍼징(58), 도메인 특정 테스트(56), 디버깅(40) 등
코드 모델(427편) — 모델 훈련(407), 바이너리 및 IR 모델(35)
기타 SE 작업(96편) — 문서/주석/커밋 메시지 생성(35), 로그 분석(34), 코드 리뷰(29)

2. 에이전트 설계 및 분석 — 에이전트 아키텍처 및 코드 지향 LLM의 안전성/보안에 대한 연구:

에이전트 설계(328편) — 계획(206), 도구 사용(156), 다중 에이전트(96), 메모리 관리(30)
모델 안전 및 보안(267편) — 적대적 공격(85), 탈옥(66), 안전한 코드 생성(65), 기억(40), 백도어 탐지(36), 워터마킹(35)
에이전트 안전 및 보안(97편) — 프롬프트 주입(73), 에이전트 방어(36), 접근 제어(12)

3. 평가 — 코드에 대한 LLM/에이전트 능력을 평가하는 벤치마크, 실증 연구, 설문 조사:

평가(914편) — 실증 연구(620), 벤치마크(392), 설문 조사(26)

논문 선정 방법(4단계 파이프라인)

각 학회의 회의록은 다음 단계를 통해 처리됩니다:

추출 — BibTeX 또는 HTML 파일에서 제목과 초록을 파싱
필터링 — 제목 또는 초록에 LLM 관련 용어(예: "large language model", "GPT", "agent")와 코드 관련 용어(예: "program", "software", "testing", "verification")를 모두 포함하는 논문을 유지; 이 키워드 패스는 의도적으로 관대함(높은 재현율)
분류 — 각 후보를 Claude API에 보내 관련성을 검증하고 분류 체계 라벨을 할당; LLM 또는 AI 에이전트가 중심 기여인 경우에만 논문을 포함하며, 단순한 기준선이나 비교가 아님
병합 — 분류된 논문을 정식 데이터베이스(data/labeldata/labeldata.json)에 추가하고 웹사이트를 재생성

자동 논문 라벨링 스킬

모든 스크립트는 .claude/skills/paper-labeler/scripts/에 있습니다.

사전 요구 사항: pip install boto3 requests(boto3는 AWS Bedrock을 통한 Claude API용, requests는 NDSS 스크래핑용). 라벨링 단계에는 AWS 자격 증명이 필요합니다. 필터 전용 단계에는 필요 없습니다.

옵션 A — 배치 모드(권장): rawdata 폴더를 스캔하고 data/venues.json에 이미 기록된 학회를 건너뛰고 각 새 학회에 대해 전체 파이프라인을 실행하고 웹사이트를 재구축합니다. 예:

python process_folder.py --dry-run — 처리될 내용 미리 보기
python process_folder.py — data/rawdata/ 아래의 모든 새 학회 처리
python process_folder.py data/rawdata/2025/ — 특정 연도만 처리
python process_folder.py --filter-only — 키워드 필터만, API 호출 없음, 병합 없음
주요 옵션: --model, --region, --delay SECONDS, --no-rebuild

옵션 B — 수동 학회별 파이프라인(더 세밀한 제어용):

추출 — extract_papers.py는 BibTeX(대부분의 학회) 또는 ACL Anthology HTML을 읽습니다. NDSS HTML에는 제목만 포함되므로 초록은 fetch_ndss_abstracts.py로 별도로 가져옵니다
필터링 및 라벨링 — label_papers.py를 --phase filter(자격 증명 불필요), --phase label(AWS 자격 증명 필요), 또는 --phase all로 실행
병합 — merge_labeldata.py(--dry-run으로 쓰기 없이 미리 보기 지원)
웹사이트 재구축 — build_site.py → web/index.html 출력

Claude Code를 통한 사용: 파이프라인은 대화식으로 호출할 수 있습니다. 예: "ASE2025 rawdata 처리", "data/rawdata/2025/CCS2025.bib의 논문 라벨링", "웹사이트 재구축" — Claude Code가 자동으로 스킬을 호출하고 올바른 명령을 실행합니다.

지원되는 입력 형식: BibTeX(.bib)은 대부분의 학회에서 초록이 인라인; ACL Anthology HTML(.html)은 ACL, EMNLP 및 일부 NAACL 연도; NDSS HTML(.html)은 초록을 별도로 스크래핑.

스크립트 참조: process_folder.py(배치 모드), extract_papers.py(1단계), fetch_ndss_abstracts.py(1b단계), label_papers.py(2단계), merge_labeldata.py(3단계), build_site.py(4단계), import_original.py(레거시 논문의 일회성 가져오기).

기여

개별 논문 추가: data/labeldata/labeldata.json에 항목을 추가(필드에는 제목, 저자, 연도, 초록, URL, 학회, 라벨 포함), 라벨이 분류 체계에서 나왔는지 확인, 웹사이트 재구축, 풀 리퀘스트 열기.
새 학회 추가: .bib 또는 .html 파일을 data/rawdata/<year>/에 배치, 배치 파이프라인 실행, rawdata 파일과 업데이트된 labeldata.json을 포함한 풀 리퀘스트 열기.
누락된 논문 보고: 학회 이름과 회의록 링크가 포함된 이슈를 엽니다. 특정 논문과 라벨을 제안할 수도 있습니다.

분류 체계 확장

동일한 학회에서 다른 연구 주제를 추적하려면 .claude/skills/paper-labeler/SKILL.md의 두 섹션을 편집하세요:

## Relevance Criteria — 키워드 목록과 Claude가 관련성을 결정하는 데 사용하는 자연어 프롬프트
## Label Taxonomy — 2단계 범주 계층; 편집 후 build_site.py와 label_papers.py의 TAXONOMY 사전을 동기화하세요

그런 다음 기존 rawdata에 대해 파이프라인을 다시 실행하여 업데이트된 분류 체계로 논문을 재분류합니다.

주의 사항/면책 조항

이 저장소는 연구 목적으로만 사용됩니다. 모든 메타데이터는 ACM, IEEE 및 해당 학회 웹사이트에서 공개적으로 제공되는 회의록 페이지에서 가져옵니다. 전체 텍스트 PDF는 포함되거나 재배포되지 않습니다.

연락처: stephenw.wangcp@gmail.com 또는 wang6590@purdue.edu.

PurCL/ASE