FastContext: Training Efficient Repository Explorer for Coding Agents

FastContext 论文完整总结+指定章节双语翻译

一、论文整体核心内容总结

1. 研究背景与待解决痛点

当前大模型代码智能体（如SWE-Agent、Cursor等）完成仓库级修复/问答任务时，仓库代码探索是核心性能瓶颈：

1. 探索（读文件、全局检索）占用主模型56.2%工具轮次、46.5%总token，大量无关代码污染上下文，拉高推理成本；
2. 主流方案采用单一模型兼顾“代码检索+问题求解”，所有检索中间过程都会留在主智能体对话历史，冗余信息持续累积；
3. 检索不准时，主模型需要反复修正错误假设，进一步消耗token、降低修复成功率；
4. 现有代码定位方案多依赖图结构、复杂检索流水线，轻量化、可插拔的专用探索子Agent方案缺失。

2. 核心方案：FastContext 专用探索子Agent

提出解耦式双智能体架构：将「仓库探索」与「代码修复/问答求解」拆分为两个独立模块：

• 主Agent：负责最终代码编辑、测试、生成补丁；不再执行大量检索操作；
• FastContext子Agent：按需被主Agent调用，仅执行只读仓库操作（Read/Glob/Grep并行工具调用），只返回精简的