StateTape: Action-Conditioned Evidence Lifecycle Modeling for Long-Horizon Coding Agents

مسئله

اجرای ایجنت‌های کدنویسی در افق‌های طولانی سخت است، چون هر مشاهده به کانتکست افزوده می‌شود. راه رایج نگهداری مبتنی بر تاریخچه است که مشاهده‌های قدیمی را پنهان یا خلاصه یا هرس می‌کند، اما فقط از روی متن تاریخچه تصمیم می‌گیرد و چیزی از ارتباط کد نمی‌بیند. چون ایجنت در یک تسک بارها کد را ویرایش می‌کند و هر نوشتن می‌تواند معنای کد جای دیگر را تغییر دهد، این روش ممکن است سوابقی را نگه دارد که یک نوشتن باطلشان کرده، سوابق معتبر را دور بریزد و کدی را که ایجنت لازم دارد نبیند.

روش

چارچوب StateTape کانتکست ایجنت را با تغییر مخزن بازنویسی می‌کند نه با رشد کانتکست. مخزن به شکل یک گراف کد در سطح نماد مدل می‌شود که وابستگی‌ها و قاعده‌های زبانش نشان می‌دهند یک نوشتن روی کدام نمادها اثر می‌گذارد. یک «نوار» نمادهایی را که هر نوشتن تغییر داده علامت می‌زند و کهنگی را از استنتاج متنی به مشاهده‌ی نوشتن‌های ایجنت تبدیل می‌کند؛ در هر نوشتن، نوار سوابق احتمالاً باطل‌شده را نامزد می‌کند و یک مدل مدیر کوچک بقیه را حل می‌کند. بنچمارک TraceBench هم آنچه ایجنت نگه داشته را با آنچه واقعاً لازم است برچسب می‌زند.

یافته‌ها

• سوابق باطل‌شده را مؤثر پاک کرد و آنچه لازم بود را بازیابی کرد.
• در همه‌ی آزمایش‌ها با شش ایجنت کدنویسی و سه بنچمارک پرویرایش، نرخ حل بالاتری با سربار محاسباتی کم داشت.

محدودیت‌ها

نویسنده‌ها می‌گویند برچسب‌های TraceBench نقره‌ای‌اند، یعنی از قاعده‌های قطعی و یک مدل اوراکل آمده‌اند و بازبینی انسانی هنوز انجام نشده، و مجموعه‌ی برچسب‌خورده از یک ایجنت روی یک مجموعه است. چکیده اندازه‌ی عددی بهبود را نمی‌گوید.