Sourcegraph 为其 AI 助手 Cody 引入了专门针对深度调用堆栈优化的上下文压缩引擎。该技术在将数千行源码打包进入模型上下文时，采用语义修剪算法保留函数签名、接口契约与关键逻辑路径，将长代码块的 Token 消耗缩减 60%，同时使多文件跨包引用的代码生成准确率提升 34%。
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
说明：本文由 AICoder 编辑部借助 AI 工具整理撰写，依据文中注明的官方及媒体来源，并按人工制定的采编标准核对事实与数字；厂商自报的数据已标明出处。
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
在实际软件工程与知识密集型交付任务中，自主 Coding Agent 通常以‘直接工作区交互（Direct Workspace Interaction, DWI）’的范式运作：通过终端命令直接检索、读取并修改本地代码库中的海量文件。然而，随着交互步数的拉长，Agent 极易遭遇严重的上下文失忆——初期提取的子任务需求被后续的大段文件内容挤出上下文窗口，而列出但尚未打开的潜在关键文件（Candidates）以及已读取证据的追溯链条（Provenances）也会随着模型滑动上下文丢失，导致 Agent 频繁出现漏解需求、死循环甚至‘在核心需求未完成前草率交付’的严重缺陷。韩国科学技术院（KAIST）的研究团队在最新研究（arXiv:2610.10444）中提出了创新框架 RunningTab。RunningTab 颠覆了依赖 Agent 自身注意力记忆或内部草稿纸（Scratchpad）的传统做法，首创了由执行环境托管的‘环境侧动态标签页（Environment-Side Tab）’。该标签页在交互全流程中独立追踪三大要素：结构化需求待办清单（Requirements）、带文件溯源的已读内容片段（Provenances）以及已罗列但未阅读的候选文件栈（Candidates）。在 Agent 尝试交付产物时，环境侧自动触发‘完成前置校验（Finish Check）’门禁，强制验证所有需求是否闭环。在 Workspace-Bench、TheAgentCompany 和 OfficeQA Pro 三大高难度真实工作区基准评测中，RunningTab 全面碾压原生 DWI 与自反思基线，在 TCR@70 指标上实现断崖式领先，论文与相关实现现已公开发布。
OpenAI Codex 负责人 Tibo 宣布，GPT-6.1 Sol 在 Codex 与 ChatGPT Work 中的默认上下文由 272K 提升到 500K（约 +80%），目的是减少长任务里的自动压缩；走 ChatGPT 订阅额度时不额外收取长上下文费用。另据 Codex 官方 changelog，GPT-5.5 将于 10 月 14 日从 ChatGPT 与 Codex 全部套餐下线（API 保留）。
随着代码智能体与全自主工作流跨越数小时乃至数天持续运行，如何有效管理呈爆炸式膨胀的上下文已成为全行业的核心痛点。传统方案依赖外部脚本或固定窗口硬性截断，模型本身无法自主决定保留或遗忘哪些关键事实。华盛顿大学（UW）、Meta FAIR 与艾伦人工智能研究所（Ai2）等机构联合提出颠覆性的“上下文语言模型”（Context Language Models, CLM）：将上下文直接视为一个模型内部可读写的虚拟文件，允许大语言模型在生成过程中以无限制的编辑原语自主增删改查自己的上下文缓冲区。在零样本下，CLM 全面碾压既有上下文管理策略：在 12 小时长程 EdgeBench 上以减少 59% FLOPs 的代价提升 5% 分数，在 24 小时多仓库智能体集群（Agent-Swarm）任务中相同算力下性能暴增 65%。团队更进一步联合 SGLang 设计了后缀缓存复用算子（Suffix Cache Reuse），使服务端推理计算开销直接降低 35%，为真正自主的长程智能体奠定了底层运行新架构。
近 14 天全网开发者深度交互与阅读热度
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察