Niente compressore: gli agenti di coding risolvono più issue quando selezionano file interi

Abstract degli autori

Un agente di coding lavora su repository che possono essere molto più grandi di quanto la sua finestra di contesto possa contenere. I compressori di prompt e i retriever offrono soluzioni a questo problema, ma per correggere un’issue servono due cose insieme: i file da modificare e il loro codice esattamente com’è scritto, perché il modello deve riprodurre le righe su cui interviene. I retriever ordinano il codice in base alla somiglianza con l’issue, anziché alla necessità di modificarlo, mentre i compressori eliminano testo per rispettare il budget. Mostriamo che, a parità di budget di token, un agente risolve più issue quando usa quel budget per scegliere quali file mostrare integralmente, come fa il nostro semplice selettore CQ2-CARE, anziché per eliminare token o recuperare porzioni di codice. Adattiamo ogni contesto allo stesso budget per issue su 300 issue recenti di SWE-rebench e valutiamo ogni patch con i test del benchmark. Con GPT-5.6 e Claude Opus 5, CQ2-CARE risolve rispettivamente il 43,7% e il 46,7% delle issue: 6,3 punti in più rispetto al migliore dei tre compressori con ciascuno dei due modelli, e rispettivamente 9,3 e 12,7 punti in più rispetto al migliore dei tre retriever. CQ2-CARE risolve persino più issue di due metodi addestrati per la risoluzione delle issue: SweRank (di 0,7 e 1,7 punti) e SWE-Pruner (di 2,0 e 7,3 punti). La nostra analisi mostra i limiti dei metodi di riferimento: i retriever spesso non individuano i file da modificare, mentre i compressori li conservano ma ne alterano il testo, perciò meno patch si applicano correttamente. La selezione di file integri non richiede un modello di compressione e mostra ogni riga così come si trova nel repository, permettendo al modello di riportare il codice che modifica.