FastContext：为编码智能体训练高效仓库浏览器

大型语言模型（LLM）编码智能体在软件工程任务上取得了强劲成果，但仓库探索仍是主要瓶颈：定位相关代码消耗大量 token 预算，并将无关片段混入智能体的上下文。在大多数智能体中，同一模型既负责仓库探索又负责任务求解，导致探索性读取和搜索操作留存在求解器的历史记录中。我们提出 FastContext，一个专用的探索子智能体，将仓库探索与求解过程分离。FastContext 按需调用，并行发出工具调用，并返回简洁的文件路径和行号范围作为聚焦上下文。FastContext 由参数规模从 4B 到 30B 的专用探索模型驱动。我们从强参考模型轨迹中引导出这些模型，并通过任务导向的奖励进行优化，以实现广泛的首次搜索、多轮证据收集和精确的引用生成。在 SWE-bench Multilingual、SWE-bench Pro 和 SWE-QA 上，将 FastContext 集成到 Mini-SWE-Agent 中，端到端解决率提升最高达 5.5%，同时编码智能体的 token 消耗降低最高达 60%，且额外开销极小。这些结果表明，仓库探索可以与求解过程分离，并由专用模型高效处理。代码与数据：https://github.com/microsoft/fastcontext