跳过压缩器：编码智能体直接选整份文件能修复更多问题

查看 PDF HTML（实验性）

摘要：编码智能体所处理的代码仓库可能远大于其上下文窗口所能容纳的规模。提示压缩器和检索器为这一问题提供了解决方案，但修复一个问题需要同时满足两件事：必须修改的文件，以及这些文件的确切代码原文，因为模型必须逐行复现它所编辑的内容。检索器按代码与问题的相似度排序，而非按代码是否必须修改来排序；压缩器则删除文本以适配预算。我们证明，在相同的 token 预算下，当预算用于选择以原文逐字展示哪些文件时（正如我们简单的选择器 CQ2-CARE 所做的那样），智能体解决的问题比将预算用于裁剪 token 或检索代码块时更多。我们在 300 个近期 SWE-rebench 问题上将每个上下文都适配到相同的单问题预算，并用基准测试对每个补丁进行评分。在 GPT-5.6 和 Claude Opus 5 上，CQ2-CARE 分别解决了 43.7% 和 46.7% 的问题，在任一模型上都比三种压缩器中最佳者高出 6.3 个百分点，比三种检索器中最佳者分别高出 9.3 和 12.7 个百分点。CQ2-CARE 甚至比两种针对问题解决训练的方法解决了更多问题：比 SweRank 分别高出 0.7 和 1.7 个百分点，比 SWE-Pruner 分别高出 2.0 和 7.3 个百分点。我们的分析揭示了基线方法的缺陷：检索器常常遗漏需要编辑的文件，压缩器保留了这些文件但改动了其文本，因此能应用的补丁更少。精确文件选择不需要压缩模型，并按仓库原样展示每一行，因此模型可以引用它所编辑的代码。

主题：	软件工程（cs.SE）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG）
引用为：	arXiv:2610.21073 [cs.SE]
	（或本版本的 arXiv:2610.21073v1 [cs.SE]）
	https://doi.org/10.48550/arXiv.2610.21073 由 DataCite 颁发的 arXiv DOI

提交历史

来自：Vikram Ramavarapu [查看邮箱]
[v1] 2026年10月15日星期四 01:21:36 UTC（900 KB）