Целые файлы вместо компрессии — coding-агенты решают больше задач, когда бюджет тратится на выбор файлов
Саммари
Кодинг-агент, работающий с репозиторием крупнее окна, каждый раз решает, что показать модели: сжать накопленное, поискать похожие чанки или показать нужные файлы целиком. Авторы сравнивают три стратегии на строго одинаковом бюджете токенов и показывают, что выигрывает не экономия символов, а точный выбор файлов с дословным кодом: простой селектор CQ2-CARE решает 43,7% и 46,7% задач на GPT-5.6 и Claude Opus 5, обгоняя лучший из трёх компрессоров на 6,3 пункта, а лучший из трёх ретриверов — на 9,3 и 12,7 пункта.
Из этого следует, что бюджет контекста нужно вкладывать в локализацию — «какие файлы должны измениться», — а не в сокращение символов: точность выбора сильнее влияет на исход, чем любой компрессор.
На практике для Revit- и BIM-агентов это прямое правило: правка требует дословного кода семейства, класса или сервера, а «экономная» компрессия искажает ровно те строки, которые модель должна воспроизвести, поэтому предпочтителен выбор целых файлов по списку задачи.
Важный нюанс: селектору не нужен обученный ретривер — шаг локализации выполняется вопросом к самой модели и стоит дешевле, чем отдельный поисковый слой.
Ограничение: разрыв в 0,7–1,7 пункта против обученного SweRank мал и может укладываться в шум одной выборки патча; сравнивать методы контекста можно только на нескольких повторных прогонов.