Curated Code Context Window

将所有源文件加载至编码智能体的上下文中，或是导入整个代码仓库，会使模型不堪重负、引入噪声并降低推理速度。编码智能体需仅聚焦于最相关的模块，才能高效地对代码变更进行推理或生成新功能。

• 纳入全部文件会让智能体被无关代码干扰；在大上下文场景下，它会“失去连贯性”。
• 大上下文会增加token消耗，拖慢多轮强化学习训练的速度。

为核心编码Agent维护极简、高有效信号的代码上下文（context）（保持context“纯净无杂”），具体实现方式如下：

1. 上下文净化（Context Sterilization）

• 排除无关模块（例如，开发UI组件时，移除测试工具类模块）。
• 通过轻量级搜索Agent自动识别相关文件，该Agent可针对函数或类名返回Top-K匹配结果。

2. 代码发现辅助子Agent（Helper Subagent）

• 生成一个SearchSubagent（基于小型LLM或向量搜索索引），它可接收文件路径或查询指令（如“查找UserModel的定义”），并返回按相关性排序的文件代码片段列表。
• 仅将排名前3的片段（每个片段≤150个token）注入主Agent的上下文窗口。

3. 上下文更新循环

• 主Agent：“我需要重构UserService。”
• SearchSubagent：“已找到user_service.py、models/user.py、utils/auth.py。”
• 上下文注入：仅将这三个文件（或其摘要内容）纳入主Agent的上下文窗口。

• 索引阶段（离线）：构建一个简单的代码索引（例如借助ripgrep或向量存储），实现函数/类名称到文件路径的映射。
• 子Agent定义：将SearchSubagent定义为一个函数，它会查询代码索引，并借助小型LLM对匹配结果进行过滤和排序。
• 上下文管理库：创建一个封装器（例如CuratedContextManager），当主Agent请求相关代码时，它会自动调用SearchSubagent。

• 优势：
  • 噪声过滤：使上下文聚焦于相关代码，提升推理的清晰度。
  • Token 高效性：大幅降低每一步的Token消耗，提升RL吞吐量。
  • 上下文窗口焦虑缓解：通过将使用量控制在远低于上限的水平，帮助缓解上下文窗口焦虑。
• 劣势/注意事项：
  • 索引时效性：若代码频繁变更，必须更新索引以避免产生过时结果。
  • 复杂度提升：为训练与推理流水线新增了额外组件（SearchSubagent + 索引）。
  • 模型适配要求：不同模型对筛选式上下文与完整上下文方案的容忍度可能存在差异。