代码智能体能否绕过糟糕的命名？上下文检索或许更关键

Agent 是概率系统，不可能永远正确。但它出错时，你需要能回答：它做了什么？结果是什么？为什么这么做？ 实现 Trace 系统，记录调用链、返回链、决策链。别只记录成功路径，失败轨迹往往更有价值。 别怕"污染历史"就清洗掉失败记录。CONFLICT 错误、超时重试、模型瞎猜——这些都记下来。只有看到完整的失败过程，才能定位根因，才能把"遇到 CONFLICT 必须重新 Read"这种经验固化到提示词里。 ## 写在最后：我们都是在给 LLM "擦屁股" Agent 开发的核心，不是让模型更自由，而是通过工程设计，把模型"不确定的能力"约束在"最小可控的范围"里。说白了，我们就是在给 LLM 擦屁股。 你看啊，LLM 很强，能写代码、能读文档、能推理。但它就像一个特别聪明但特别不靠谱的实习生—— 你让它去打印文件，它可能把全公司的打印机都调用一遍； 你让它整理会议纪要，它可能把上周的会议也掺和进来； 你让它写个函数，它写得贼溜，但变量命名全是 `a`、`b`、`c`，还顺带改了你没让改的文件。 而我们做 Agent 工程，本质上就是在解决这个矛盾： | 模型的天性 | 我们的工程对策 | --- | | 喜欢自由发挥 | 用 Function Calling 锁定调用格式 | | 上下文一多就"失忆" | 用 L1/L2/L3 分层 + Summary 压缩 | | 出错不会自查 | 用 Trace 记录每一步，让错误可追溯 | | 长任务容易跑偏 | 用 Todo + Task 拆分，降低单步复杂度 | | 不懂领域知识 | 用 Skills 固化 SOP，让它"有脑" | 你看这七章的内容，从工具原子化到上下文工程，从可观测性到子代理——每一层都是在给模型"打补丁"，帮它收拾烂摊子。 [...] ## 本章结论 Agent 是概率系统，不可能永远正确。但当它出错时，你需要有能力回答三个问题： 1. 它做了什么？（调用链） 2. 结果是什么？（返回链） 3. 为什么这么做？（决策链） 只有当你能把这三个链条串在一起时，才能真正理解 Agent 的行为，才能让它从"黑盒"变成"玻璃盒"。 前面七章，我断断续续讲了这个 Code Agent 项目从立项到成熟的整个过程。每一章都是一个具体的坑，以及我是怎么爬出来的。 这一章，我想把这

式的过度工程化； 很多最强大模型倾向「多捞少漏」，导致噪声偏多； 「检索到」不等于「用到了」，看过关键代码也可能没体现在最终补丁里；更均衡的检索策略往往在成功率与成本之间更划算。 ContextBench希望为代码智能体提供可观测、可度量、可优化的过程评测视角，帮助社区更精准地改进检索与推理链路。 「黄金上下文」由人类专家认证 为了构建这一基准，研究团队并没有依赖自动化生成，而是采用了一套严谨的「人机回环」（Human-in-the-loop）标注流程。 大规模覆盖：包含来自66个真实代码仓库的 1,136个 问题解决任务，覆盖 Python、Java、C++、Go、Rust、JavaScript、TypeScript、C 等 8种主流编程语言。 专家级标注：每一条数据都配有由专家开发者标注的「黄金上下文」（Gold Contexts）。这些上下文并非「相关代码」的简单集合，而是问题修复过程中不可或缺的最小代码依赖集。研究者通过分析真实补丁，沿函数调用、类引用与变量依赖关系逐步回溯，最终确定必须阅读的代码片段。 一个真实仓库中的依赖链条：若未阅读箭头所连接的函数与类，即使模型生成补丁，也难以保证语义正确 细粒度追踪：评测框架能够记录Agent的每一步操作轨迹，并在文件（File）、代码块（Block）、行（Line）三个层级上计算检索的精确率（Precision）和召回率（Recall）。这意味着模型的行为可以被量化为「定位能力」：不仅判断是否访问了关键文件，还能判断是否精确定位到关键函数乃至关键语句。 评测对象 顶尖模型与主流Agent 研究团队使用CONTEXTBENCH评测了当前最强的4款LLM和5种主流代码Agent框架： [...] 数据展示了各模型Recall极高、Precision极低的「偏科」现状，精确率普遍偏低 3. 策略分化：GPT-5「大口吞」 vs Devstral 2「小步跑」 不同模型在检索策略上展现出了截然不同的性格 。 GPT-5 倾向于「少次多量」，平均只需 5.87 轮检索，但每一步会阅读高达 119 行代码，试图一次性获取大量信息 。 Devstral 2 则采取「多次少量」的策略，平均需要进行 22 轮检索，但每一步仅读取约 12 行代码 。 这种高频交互导致 Devstral 2 的T

其实不用担心代码命名的问题，agent 并不是简单通过猜关键字去找代码的，它会阅读代码片段，根据上下文去找。 举个例子来说，它发现程序崩溃了，它会

向老师请教个问题：历史代码中有很多局部的改动，导致很多方法名其实根本表达不了它的意图，还有日志、变量名、甚至模块名，这些历史债都在，但是因为

Image 49 其他扫码方式：微信 下载知乎App 无障碍模式 验证码登录 密码登录 开通机构号 中国 +86 获取短信验证码 忘记密码 登录/注册 其他方式登录 未注册手机验证后自动登录，注册即代表同意《知乎协议》《隐私保护指引》 扫码下载知乎 App 关闭二维码 [...] Image 1) Image 2: ZhiHu logo 变得非常受欢迎。从那时起，这些语言模型的使用得到了爆炸式的发展，这在一定程度上得益于HuggingFace的Transformer库和PyTorch等… deeph...发表于deeph...Image 46: 支持1000万+token上下文：Google开源递归语言模型实现 # 支持1000万+token上下文：Google开源递归语言模型实现 数据与AI爱好者Image 47: vLLM V1 源码解读（七）：Speculative Decoding——让大模型一次验收多个 token # vLLM V1 源码解读（七）：Speculative Decoding——让大模型一次验收多个 token 弗流# Representation, Tokenizer & Modeling RepresentationCompression is a kind of clustering自然语言上的缩句、数据类型上的精度压缩、模态编码器...... 所有的压缩本质上都可以映射到某种聚类方式，其中， 压缩的损失来自于在原… Zack Zhao _想来知乎工作？请发送邮件到 jobs@zhihu.com_ 打开知乎App 在「我的页」右上角打开扫一扫 Image 48 其他扫码方式：微信 下载知乎App 无障碍模式 验证码登录 密码登录 开通机构号 中国 +86 获取短信验证码 忘记密码 登录/注册 其他方式登录 未注册手机验证后自动登录，注册即代表同意《知乎协议》《隐私保护指引》 扫码下载知乎 App 关闭二维码 打开知乎App 在「我的页」右上角打开扫一扫 Image 49 其他扫码方式：微信 下载知乎App 无障碍模式 验证码登录 密码登录 开通机构号

第一类，是已经在真实项目里长期用AI 写代码的人。 不是拿AI 随手生成个demo，而是已经让它参与改bug、加功能、做重构。你会很快感受到