FastContext

資料來源#

• FastContext: Training Efficient Repository Explorer for Coding Agents

摘要#

FastContext 是一款開源的程式碼代理儲存庫探索子代理，由 Microsoft CoreAI 和 Shanghai Jiao Tong University 的 Shaoqiu Zhang、Maoquan Wang、Yuling Shi 等人開發（arXiv 2606.14066，2026 年 6 月；通訊作者 Shengyu Fu）。它是儲存庫探索子代理論點的系統實例：一個專門的唯讀助手，由主代理按需呼叫來定位程式碼，並回傳精簡的 path:line-range 引用，而不是冗長的探索過程。整合至 Mini-SWE-Agent，搭配 GPT-5.4、GLM-5.1 和 Kimi-K2.6 主代理後，端對端問題解決率最高提升 5.5%，同時主代理 token 用量最高減少 60%。程式碼與資料：github.com/microsoft/fastcontext。

這是什麼#

一個執行階段 CLI 助手（fastcontext -q "..." --format concise），與主代理在同一個任務容器中執行。它只提供三種與語言無關的唯讀工具——READ、GLOB、GREP（ripgrep）——每輪平行發出工具呼叫，並輸出單一 <final_answer> 區塊，內容為檔案路徑與行號範圍。它無法編輯檔案或提交修補程式；只有最終證據區塊會進入主代理的上下文，中間觀察則寫入獨立的日誌。

模型系列#

專門訓練的探索器採用 Qwen 骨幹模型，規模涵蓋 4B–30B：

4B 模型是部署目標，因為探索必須便宜到足以常態執行；4B-RL 是最重要的成果——以任務為基礎的 RL 讓精簡探索器具備競爭力，無須耗費資源進行昂貴的 30B RL 訓練。

訓練架構#

• **SFT 資料：**來自 Sonnet 4.6（Anthropic，作為參考模型）的 2,954 條篩選後軌跡，分為 parallel_toolcalls／multiturn_traj／linerange 來源。使用 Slime/Megatron 架構訓練，共 3 個 epoch，僅對 assistant token 計算損失，上下文長度為 128K。
• **RL：**以 400 個提示／395 個儲存庫進行 GRPO，獎勵由修補程式推導的檔案／行號 F1、受限平行度加分與格式懲罰組成；透過 SGLang 產生 rollout（停用思考，最多 8 輪，每個提示 16 條軌跡）。

意義#

FastContext 是 Claude Code、Codex、GitHub Copilot CLI 和 Cursor 中專有子代理機制的開源且已發布的對應方案。其明確動機是，這些探索機制都不公開，使研究社群缺少開放的訓練與評估方法。它最有力的論點是：即使沒有經過訓練的模型，探索與解題在架構上的分離本身也能帶來大部分效益（「同模型探索」基準已經有幫助），讓探索成為程式碼代理中可模組化、可最佳化且能獨立評估的階段。

相關連結#

• 儲存庫探索子代理——FastContext 實現的概念（瓶頸分析、委派契約、訓練方法、成果）
• Claude Code——FastContext 將其專有子代理類比方案開源
• Anthropic——Sonnet 4.6 是參考模型，其軌跡為 FastContext 的 SFT 語料提供起始資料
• Symphony——另一個模組化代理系統（以票單驅動的編排與探索委派）
• Client-Side Agent Optimization——FC 為各角色訓練專用小模型的做法，延伸了 AgentOpt 依角色最佳化模型的思路

開放問題#

• SFT+RL 方法能否將探索器縮小至 4B 以下（1.7B／0.6B），讓探索幾乎不花成本？
• 這項增益能否從 Mini-SWE-Agent 延伸至具有自身子代理編排機制、功能更豐富的 harness？

資料來源#

• FastContext: Training Efficient Repository Explorer for Coding Agents