ContextSniper：AntTrail面向仓库级程序修复的省token代码记忆

摘要

大语言模型智能体可以修复真实仓库问题，但常在整文件读取、广泛搜索与长终端输出上花费大量上下文预算——有用证据与无关代码和日志混杂其中。本文提出ContextSniper——AntTrail面向仓库级程序修复中精准证据选择的代码修复模块，属于AntTrail更广泛的智能体记忆引擎的一部分（AntTrail见 https://gitcode.com/datagallery/AntTrail）。ContextSniper将代码与动作记忆索引为三个抽象层级——用混合排序器检索候选——经意图感知的上下文门过滤长工具输出——返回紧凑证据包同时保持完整源码可按需恢复。在SWE-bench Lite上每条件50任务的匹配比较中（相同任务、基线vs ContextSniper）：ContextSniper为OpenClaw减少51.5%总token使用与36.4%记录成本——为Claude Code减少38.9%与27.3%——两种宿主智能体设置下提交解决率基本不变。在另一五任务比较中，ContextSniper在token效率上胜过既有记忆与RAG式集成。这些结果表明ContextSniper能大幅削减仓库级修复智能体的token与成本开销而无可测量的修复质量损失。本研究评估工具见 https://gitcode.com/lukchiwang/ContextSniper。

ContextSniper：AntTrail面向仓库级程序修复的省token代码记忆：论文配图 — 图 2：ContextSniper 架构。上面的路径显示了基线交互循环，其中广泛搜索、长文件读取、重复操作和原始命令输出在到达模型的上下文窗口之前积累了噪声上下文。下面的路径显示了 ContextSniper 插入层。存储库和操作证据存储在 AGFS 支持的内存层次结构中，与当前工作树同步，通过混合代码搜索检索，并在紧凑证据返回到同一主机代理循环之前通过意图感知上下文门进行狙击。