CodeNib:为编码智能体提供仓库上下文的多视图数据系统

Hugging Face Daily Papers 论文

摘要

CodeNib是一个多视图数据系统,通过为每次提交构建可复用的词汇视图、密集视图和结构视图,向编码智能体提供仓库上下文,从而实现更快的更新和高效的上下文服务。

编码智能体反复从不断演化的仓库中搜索、导航和保留上下文,但分散的索引、语言服务器和任务局部历史迫使重复查找并掩盖了生命周期成本。CodeNib为每个仓库提交构建可复用的词汇视图、密集视图和结构视图,将输出映射到仓库相对源范围,在编辑过程中维护选定的视图,并通过一个运行时提供排序搜索、符号导航和有界上下文。 在100个快照中,我们绘制了仓库上下文生命周期中的质量-成本边界。当输出与独立重建匹配时,图形和向量更新的中位数速度分别提高了8.7倍和25.4倍。在与标准化实时服务器位置匹配的静态导航子集上(占1000个请求的63%),每个请求的实时/静态延迟比率中位数为4.7倍。在五个模型中,选定的上下文策略比配对的grep/read减少了50%–87%的轨迹标记,同时保持了定位能力。综上,这些结果支持具有明确、操作特定有效性边界的多视图仓库上下文服务。
查看原文
查看缓存全文

缓存时间: 2026/07/29 11:52

论文页面 - CodeNib: 一个为编程代理提供仓库上下文的多元数据系统

来源:https://huggingface.co/papers/2607.25431 作者:

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

编程代理需要反复从不断演变的仓库中搜索、导航和保留上下文,但各自为政的索引、语言服务器以及局限于任务的历史记录迫使它们重复发现,并隐藏了生命周期成本。CodeNib 为每次仓库提交构建可复用的词法、稠密和结构视图,将输出映射到仓库相对的源码范围,在编辑过程中维护选定的视图,并通过一个运行时提供排序搜索、符号导航和有界上下文。在 100 个快照上,我们绘制了仓库-上下文生命周期中的质量-成本前沿。当输出与独立重建匹配时,图更新和向量更新的中位数速度分别提升了 8.7 倍和 25.4 倍。在静态导航子集匹配标准化实时服务器位置(占 1000 个请求的 63%)的情况下,每请求的实时/静态延迟中位数比为 4.7 倍。在五个模型上,选定的上下文策略将定位所需的轨迹 token 数减少了 50%–87%(与 grep/read 配对相比)。这些结果共同支持了具有显式、操作特定有效性边界的多元仓库上下文服务。

查看 arXiv 页面 (https://arxiv.org/abs/2607.25431)查看 PDF (https://arxiv.org/pdf/2607.25431)项目页面 (https://codenib.ai/)GitHub 仓库 (https://github.com/sysevol-ai/CodeNib)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.25431)

在您的代理中获取此论文:

hf papers read 2607\.25431

没有最新的 CLI?curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型 0

无模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.25431 以在此页面中链接它。

引用此论文的数据集 1

sysevol-ai/codenib-synthesis 查看器• 更新于约 2 小时前 • 500 • 248 • 2 (https://huggingface.co/datasets/sysevol-ai/codenib-synthesis)

引用此论文的 Space 0

无 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.25431 以在此页面中链接它。

包含此论文的收藏集 0

无收藏集包含此论文

将此论文添加到一个收藏集 (https://huggingface.co/new-collection) 以在此页面中链接它。

相似文章

@appliedcompute: https://x.com/appliedcompute/status/2052826576723841292

X AI KOLs Timeline

Applied Compute 推出 ACL-Wiki,这是一个基于其 Context Engine 构建的持续学习记忆系统,能够记录来自 Cursor、Claude Code 和 Codex 的编程智能体交互,从而构建一个不断优化的 Contextbase,在两周内将关键记忆率提升约一倍。该系统通过 MCP 服务器暴露的 Remember-Refine-Retrieve 流水线,为编程智能体提供随使用而持续改进的机构记忆。