论文解读

Yuvraj Sehgal · Mahsa Panahandeh · Naser Ezzati-Jivan

尽管上下文窗口扩大千倍，代码智能体仍缺乏跨会话记忆，导致重复读取文件与重试失败方案。这属于记忆架构而非长度问题。Stratum 提出一种持久化、经验感知的仓库记忆系统。基于真实仓库的三项测量显示：中型项目已超出最大生产级上下文窗口，且将知识存入 KV 缓存比索引文本成本高 $10^4$ 至 $10^5$ 倍；在 752 个真实 Bug 修复提交中，中位修复仅涉及两个文件及其直接导入，占仓库不足 10%，瓶颈在于选择而非容量；即使包含传递导入和测试链接，47% 的共编辑文件对在结构上仍不连通，表明选择所需知识需从历史挖掘。Stratum 采用分层记忆架构，通过页面安全工具服务，每次响应明确返回内容、剩余内容及成本。在百万节点存储上，中位检索耗时 1.7 ms。在八个真实 Bug 的多会话实验中，继承不同模型写入记忆的代理在 24 次试验中 21 次定位到根因文件，而仅检索基线为 6 次（Fisher $p<10^{-4}$），中位 Token 成本降低 4.5 倍。合并所有八个调查笔记后，成功率保持 8/8。

Yuvraj Sehgal · Mahsa Panahandeh · Naser Ezzati-Jivan

LLM 智能体的评估常忽略工具输出在到达模型前的损耗。在基于 Linux 内核追踪的故障诊断智能体中，尽管 720 次运行中最大提示仅占用 5.75% 上下文窗口，但 3,827 个工具结果（占 34%）因固定长度切片导致 JSON 损坏。这种切片导致数据分布不均，某字段仅在 4.7% 调用中保留，而另一字段保留率达 99.3%，且证据位置取决于故障进程启动时间。受控实验表明，数据损耗首先表现为额外工作而非错误答案：工具调用增加 43%，计算量翻倍，产出率从 0.61 降至 0.31。对七个智能体框架的调查发现，其中两个存在相同的不安全切片机制。数据截断是否直接导致准确率下降仍属开放问题。

Xiaocong Yang · Rishit Chatterjee · Himanshu Udupi · 2+

编码智能体处理的代码仓库可能远超其上下文窗口。提示压缩器(prompt compressor)与检索器(retriever)可缓解此问题，但修复缺陷既需要确定必须修改的文件，也需要文件中的原始代码，因为模型必须准确复现待编辑行。检索器按代码与缺陷的相似度排序，而非判断文件是否必须修改；压缩器则删减文本以适配预算。在相同 token 预算下，将预算用于选择并原样展示相关文件的简单选择器 CQ2-CARE，比用于裁剪 token 或检索代码块解决更多问题。对 300 个近期 SWE-rebench 缺陷，每项问题均使用相同预算，并以基准测试评判补丁。使用 GPT-5.6 和 Claude Opus 5 时，CQ2-CARE 分别解决 43.7% 和 46.7% 的问题，比两种模型对应的最佳压缩器高 6.3 个百分点，比最佳检索器高 9.3 和 12.7 个百分点。它还超过两种面向缺陷修复训练的方法：SweRank 分别高 0.7 和 1.7 个百分点，SWE-Pruner 分别高 2.0 和 7.3 个百分点。分析显示，检索器常遗漏待编辑文件；压缩器虽保留这些文件，却改写文本，导致更少补丁成功应用。精确文件选择无需压缩模型，并按仓库原貌展示每一行，使模型能够原样引用待编辑代码。

Ruopei Sun · Jianfeng Cai · Kangwen Zhao · 2+

上下文压缩(context compaction)使长程编程智能体得以突破上下文窗口限制，却可能抹除完成任务所需的状态。既有评测关注效率、信息保留或端到端成功率，难以单独衡量某次历史替换的影响。Compact-Bench从共享仓库状态出发，对比完整历史与仅摘要的续作，并评估重复出现的信息和连续的生产压缩。测试涵盖35项SWE-bench修复、146次智能体会话和106条生产链。14种摘要器中，稳定损伤占22项完整历史成功案例的5–64%；Claude Opus 4.8保留的修复最多，DeepSeek-Flash损伤最严重。使用Kimi-K3作为摘要器时，Kimi Code提示词保留的任务续作最多（19/22），Claude Code保留的重复信息最多（15.0%）。LLM摘要最多保留16.0%的重复信息，机械提取则为79.1%；生产摘要在首个边界仅保留15.7%。失败具有跨方法重复性：一项修复被13/14种摘要器损伤，另一项被全部5种提示词损伤。结果表明，可靠压缩必须保留完成任务的进展，而仅保留相关信息并不能确保成功续作。代码与数据已公开。