CORVUS：基于底层同步的LLM编码智能体上下文优化与缩减

大型语言模型（LLM）编码智能体在执行多步决策任务时，会构建一个包含推理过程、工具调用和结果的轨迹。目前主流的仅追加轨迹架构，将每次文件读取操作及其产生的快照永久固定在时间序列中。这种设计存在一个严重缺陷：当智能体自身编辑或人类并行修改代码后，之前捕获的文件快照会迅速变得陈旧，导致后续推理出现偏差，并触发智能体反复重新读取同一文件。每一次重新读取都会在轨迹中追加另一个副本，使得轨迹迅速膨胀，不仅消耗了大量令牌，还增加了推理延迟。

为了解决这一问题，研究团队提出了CORVUS（Context Optimization and Reduction Via Underlying Synchronization），这是一种新型的轨迹架构。其核心思想是维护一个同步的文件注册表，记录所有相关文件的最新状态，并在每个推理周期仅注入当前实际的文件内容，而非历史快照。通过这种方式，文件读取操作与观察结果被完全解耦，轨迹中不再包含冗余的文件副本和过时的快照，从而大幅减轻了轨迹的负担。同时，轨迹始终与代码库的实时状态保持一致，从根本上消除了因快照过期而引起的推理错误。

研究者在两个权威基准测试SWE-POLYBENCH_VERIFIED和SWE-BENCH PRO上，使用四种不同的LLM对CORVUS进行了系统评估。实验结果表明，CORVUS能够将每个任务的平均输入令牌减少9%到50%，最终提示的长度缩短15%到32%，推理周期最多减少37%，同时保持与基线相当的通过率。这些数据表明，CORVUS在不牺牲任务完成质量的前提下，显著提升了编码智能体的运行效率，降低了计算资源消耗。

这项研究对LLM编码智能体的实际应用具有重要意义。通过减少冗余令牌和推理循环，CORVUS可以降低API调用成本、加快任务执行速度，并支持更复杂的多步骤代码编辑场景。未来，该架构有望集成到主流开发工具和Agent框架中，进一步推动AI辅助编程的发展。