问题的本质：上下文窗口是编码 Agent 的硬性瓶颈

以 Claude Code、Cursor、Codex CLI 为代表的编码 Agent 系统，在过去两年从代码补全工具演化为能够自主规划、执行 Shell 命令、读写文件并迭代验证的自治系统。这一演进暴露了一个结构性矛盾：Agent 的能力边界不由模型智能决定，而由上下文窗口的容量决定。

SWE-bench 的更新评估框架将每个任务的 token 上限设为 200 万未缓存读写 token（加 2000 万缓存 token 读取）。输入 token 占总消耗的绝大部分，因为每次工具调用都需要将完整的对话历史重新注入 prompt，产生"上下文雪球效应"：token 消耗随模型调用次数呈二次增长。

SWE-Effi 的大规模评估进一步揭示了一个反直觉的事实：失败的任务比成功的任务消耗更多资源，以 SWE-Agent + GPT-4o-mini 为例，一次失败尝试消耗 886.7 万 token 和 658 秒，而成功尝试仅需 186.5 万 token 和 167.2 秒，两者差距超过 4 倍。

这一现象的根源在于模型对长上下文的利用效率。Liu et al. (2023) 的 "Lost in the Middle" 研究证实了一个关键发现：语言模型对上下文的利用呈 U 形曲线：信息位于上下文的开头或末尾时检索效果最佳，位于中间时性能显著下降。

在包含 20 篇文档的输入中，GPT-3.5-Turbo 的 oracle 准确率为 88.3%，当相关信息位于中间位置时显著下降；GPT-4 虽然绝对性能最高，仍然展现出相同的 U 形曲线。这意味着更长的上下文窗口并不等于更好的性能；相反，更精确、更短的上下文往往使模型表现更强。

这三个因素：token 消耗的二次增长、失败任务的资源浪费、长上下文的利用效率衰减。共同构成了编码 Agent 的核心工程挑战：如何在有限的上下文窗口中维持最高的信息密度？

本文以 Claude Code 的五层压缩管线和 Codegraph 的结构化检索为主线，从源码层面分析两种互补的解法：事后压缩（在上下文膨胀后裁剪）和事前检索（在信息进入上下文前精确定位）。分析基于 arXiv:2604.14228 的源码级架构研究[1]、Anthropic 官方文档[5]、Codegraph 开源实现[6]，以及六篇经同行评审的上下文管理论文。

Claude Code 架构：Agent 循环与上下文管理的位置

✅ 核心循环：While-True 与 AsyncGenerator

Claude Code 的核心是一个以 async function* 定义的异步生成器循环[1][7]。每个 turn 的生命周期包含五个阶段：

状态初始化 → 上下文预处理（七步管线） → API 调用（流式接收） → 工具调用执行 → 工具结果回填

queryLoop() 是一个 while(true) 无限循环，每次迭代代表一次"模型调用 + 工具执行"的完整回合。AsyncGenerator 的选择并非随意：yield 提供流式输出，使 UI 可以逐 token 渲染；.return() 提供确定性取消，确保 Ctrl+C 时所有资源被正确释放；yield* 提供子生成器委托，使工具执行的事件流可以无缝组合到主循环中。

VILA Lab 对 Claude Code v2.1.88（约 1900 个 TypeScript 文件、51.2 万行代码）的源码分析揭示了一个关键数据：仅 1.6% 的代码是 AI 决策逻辑，其余 98.4% 是确定性基础设施：权限门控、上下文管理、工具路由和恢复逻辑。上下文管理正是这 98.4% 中最复杂的子系统之一。

✅ 上下文窗口的组装顺序

在模型被调用之前，Agent 循环从以下来源组装上下文窗口（按加载时序排列）

上下文窗口并非在组装完成后静态不变。在一个 turn 的执行过程中，相关记忆预取、MCP 指令增量、后台 Agent 任务通知都可能动态注入。对话层和运行时层随 turn 数单调增长，这正是压缩管线存在的原因。

五层压缩管线：渐进式退化设计哲学

✅ 设计原则：从最轻量到最激进

Claude Code 的压缩管线在每次模型调用前执行，由五个按激进程度递增排列的策略组成：

Level 1: Budget Reduction（工具结果预算） → 零成本Level 2: History Snip（历史裁剪） → 零成本Level 3: Microcompact（细粒度缓存感知压缩） → 零 API 调用Level 4: Context Collapse（上下文折叠） → 零成本，非破坏性Level 5: Autocompact（自动压缩） → 一次 API 调用，不可逆  

这一设计遵循懒退化原则（Lazy-Degradation Principle）：优先执行代价最小的策略，只有当轻量策略不足以将上下文控制在窗口内时，才升级到更激进的方案。作者指出，这与许多 Agent 框架采用的单遍截断（丢弃最早的消息）或单步摘要形成了对比。渐进式设计的代价是复杂性：五个相互作用的压缩层（其中三个由 feature flag 门控）使行为难以被用户完全预测。

✅ Level 1: Budget Reduction — 工具结果的硬性边界

applyToolResultBudget() 对每条工具结果施加大小限制。超出阈值（默认 50K 字符）的输出被持久化到磁盘，上下文中仅保留约 2KB 的预览摘要和内容引用。免除此限制的工具（maxResultSizeChars 为无穷大的工具）保留完整输出。

这一层类似于操作系统的分页机制：当数据过大无法放入内存（上下文窗口）时，将部分数据存储到磁盘，只保留摘要或引用。Budget Reduction 始终激活，是五层管线中唯一不受 feature flag 控制的策略。它在 Microcompact 之前运行，因为 Microcompact 仅通过 tool_use_id 操作，从不检查内容——两者可以干净地组合。

✅ Level 2: History Snip — 时间维度的裁剪

snipCompactIfNeeded() 是一个轻量级的历史修剪策略，由 HISTORY_SNIP feature flag 门控。它移除较早的、过时的对话片段，返回 {messages, tokensFreed, boundaryMessage}。

Snip 的实现涉及一个微妙的工程细节：主循环的 token 计数器从最近的 assistant 消息的 usage 字段推导上下文大小，而该消息在 Snip 后仍然保留，其 input_tokens 值是 Snip 前的值。因此 Snip 释放的 token 数对计数器不可见，必须通过 snipTokensFreed 显式传递给 Autocompact [1]。

Snip 还负责清除"僵尸消息"，过时的工具结果、孤立的进度标记、已被新结果取代的文件读取。这些消息不再被后续对话引用，保留它们只会增加噪声。

✅ Level 3: Microcompact — 缓存感知的双路径设计

Microcompact 是五层管线中设计最精妙的一层。它始终运行基于时间的路径，并在 CACHED_MICROCOMPACT feature flag 启用时运行缓存感知路径。

基于时间的路径清除超过一定时间阈值的旧工具结果。缓存感知路径利用 Anthropic API 的 cache_edits 机制，从已缓存的 prompt 中修剪内容，而不导致缓存失效。这是一个关键的经济优化：Claude Code 的 prompt 缓存文档指出，缓存命中时输入 token 的价格仅为未缓存的 10% 。如果压缩操作导致 prompt 前缀改变，所有已缓存的 token 都需要重新计算（cache miss），成本瞬间提升 10 倍。

论文记录了一个 2026 年 1 月的内部实验数据：不使用缓存感知路径时，"98% 的请求是缓存未命中，成本约为整个 fleet 缓存创建量的 0.76%" 。

当缓存感知路径启用时，boundary messages 被延迟到 API 响应之后发出，以便使用实际的 cache_deleted_input_tokens 而非估计值。Microcompact 返回 {messages, compactionInfo}，其中 compactionInfo 可能包含 pendingCacheEdits。

✅ Level 4: Context Collapse — 非破坏性的虚拟投影

Context Collapse 由 CONTEXT_COLLAPSE feature flag 门控，是五层管线中唯一不修改底层数据的策略。它是一个读时投影（Read-Time Projection）：通过 applyCollapsesIfNeeded() 将 messagesForQuery 数组替换为折叠后的视图，模型看到的是压缩版本，而完整历史保留在 REPL 数组中，可用于重建。

源码注释解释了这一设计：

"Nothing is yielded; the collapsed view is a read-time projection over the REPL's full history. Summary messages live in the collapse store, not the REPL array. This is what makes collapses persist across turns."

Context Collapse 将连续的确认性消息（"好的"、"我明白了"）和重复的工具交换模式折叠为紧凑视图。与其他四个策略不同，Context Collapse 在没有用户可见输出的情况下运行，Autocompact 会在 transcript 中产生可见的摘要，Microcompact 会发出 boundary marker，Context Collapse 则完全透明。

✅ Level 5: Autocompact — 最后的防线

Autocompact 是压缩管线的最后手段，启用时（默认启用，可通过配置禁用），当上下文在 normalizeMessagesForAPI() 期间超过阈值时触发。

执行机制：Autocompact 派生一个子 Agent，使用专用的摘要提示对所有 boundary 之前的消息执行全量摘要。摘要提示指导模型保留任务上下文、关键决策、已修改的文件路径以及所有未关闭的工作线程。

Chain-of-Thought Scratchpad 技术：压缩提示使用两阶段 CoT 技术。formatCompactSummary() 函数剥离 <thinking> 块，仅保留 <summary> 部分。思维链推理显著提升了摘要质量，而推理过程本身如果保留在上下文中则会浪费 token。"丢弃工作过程，保留结论"。

buildPostCompactMessages() 的输出结构[1]：

[boundaryMarker, ...summaryMessages, ...messagesToKeep, ...attachments, ...hookResults]

Boundary marker 通过 annotateBoundaryWithPreservedSegment() 标注保留片段的元数据（headUuid, anchorUuid, tailUuid），用于读时链式修补。这种追加式设计意味着压缩从不修改或删除已写入的 transcript 行，只追加新的 boundary 和 summary 事件。

Autocompact 的最大风险是模型"遗忘"刚刚编辑过的文件。系统自动运行 runPostCompactCleanup() 来缓解这一问题[8]。此外，压缩后 attachment builders 会从活跃的应用状态重新宣布运行时状态（plans、skills、async agents），因为压缩会丢弃之前的 attachment messages，而底层状态仍然存在[1]。

Anthropic 官方 API（compact_20260112）将这一机制标准化为服务端压缩：当 token 数超过可配置阈值（最低 50K，默认 150K）时自动触发。用户也可以通过 /compact 命令手动触发，或使用 /rewind 回退到已缓存的早期前缀。

学术前沿：Agent 上下文压缩的四种范式

Claude Code 的五层管线是工业实践的代表。学术界在 2025-2026 年围绕同一问题提出了四种互补范式：

✅ 自适应压缩：SelfCompact

SelfCompact（arXiv:2606.23525）提出让模型自身决定何时以及如何压缩。它配对两个推理时元素：(1) 模型可调用的压缩工具，用于摘要已累积的上下文；(2) 轻量级规则（rubric），指定何时触发（子任务已完成、轨迹正在收敛）和何时抑制（推导中途、陷入僵局时）。

关键发现：工具和规则缺一不可。单独提供压缩工具时，开源模型的使用模式极不稳定。有时在无用的时间点调用，有时完全不调用；单独提供规则则无法执行操作。两者结合后，无需任何微调，在 6 个基准（竞赛数学和 Agent 搜索）和 7 个模型上，SelfCompact 以 30-70% 的成本降低匹配或超越了固定间隔摘要，在数学任务上比无摘要基线提升高达 18.1 个百分点。

✅ 优化式压缩：Acon

Agent Context Optimization（Acon，arXiv:2510.00615）采用自然语言空间的迭代优化：通过分析 Agent 的失败案例，迭代精化压缩指南，确保关键状态信息在不微调模型的情况下被保留。为进一步降低计算开销，优化后的压缩器被蒸馏到更小的模型中。

在 AppWorld、OfficeBench 和 Multi-objective QA 上，Acon 将峰值 token 使用量降低 26-54%，同时提升了任务成功率。值得注意的是，Acon 使小模型能够有效地作为长周期 Agent 运行，性能提升高达 46%，通过消除上下文干扰实现。

✅ 神经修剪：SWE-Pruner

SWE-Pruner（arXiv:2601.16746）采用完全不同的方法：它不是压缩对话历史，而是作为中间件拦截文件操作工具返回的原始代码，在代码进入 Agent 上下文之前执行行级修剪[13]。

核心组件是一个 0.6B 参数的神经 skimmer（基于 Qwen3-Reranker 骨干 + CRF 头），模拟人类程序员"选择性浏览"源代码的方式。Agent 提供一个显式的目标提示（如"关注错误处理"），skimmer 据此动态选择相关行。在 SWE-bench Verified 上实现 23-54% 的 token 缩减，在单轮任务 LongCodeQA 上实现高达 14.84× 的压缩率。

✅ 强化学习压缩：ZipRL

ZipRL（arXiv:2605.28069）将上下文压缩建模为强化学习问题。它使用多粒度压缩（从粗到细），通过上下文内提示让 Agent 主动感知检索内容的相关性并动态选择压缩策略。为解决 RL 训练中的稀疏奖励问题，ZipRL 提出 Hindsight Response Replay（HRR），利用面向上下文的启发式指标高效评分压缩片段。在 4B 和 8B 参数模型上分别超越最强基线 27.9% 和 34.7%，在长达 256 轮的长上下文交互中保持高 token 效率。

问题的另一面：编码 Agent 的 Harness 限制

上一节讨论的所有方法。无论是 Claude Code 的五层管线还是学术界的四种范式，都是事后压缩：等上下文膨胀后再裁剪。这种方法有一个根本局限：Agent 的代码探索过程本身就是低效的。

✅ 传统探索模式的代价

编码 Agent 探索代码库的标准工作流是：grep 搜索关键词 → Read 读取文件 → 发现新线索 → 再次 grep → 再次 Read。这个循环有三个结构性问题：

1. 无结构理解：grep 返回匹配行，不理解代码的语义结构（类层级、调用链、模块边界）。Agent 需要多轮工具调用来建立这些理解。

2. 上下文雪球效应：每次 Read 工具返回一个完整文件（或文件的大片段），这些内容全部进入对话历史。即使只需要其中 3 行，整个文件也会占据上下文窗口。

3. 探索路径不确定性：Agent 不知道需要的信息在哪里，因此执行大量试探性搜索。SWE-Effi 的数据表明，Agent 在失败任务上的工具调用次数是成功任务的数倍。

Claw-SWE-Bench 的评估数据提供了量化证据：仅更换 Agent harness（同一模型），Pass@1 的差异可达 12.5-27.4 个百分点。换言之，harness 的探索效率，而非模型能力。在许多情况下是性能的决定因素。

✅ Codebase-Memory 论文的量化对比

Codebase-Memory（arXiv:2603.27277）是第一篇系统评估结构化代码检索 vs 传统文件探索的学术论文。在 31 个真实仓库上的评估显示：

• 结构化检索达到 83% 的回答质量（vs 文件探索的 92%）

• token 消耗降低 10 倍

• 工具调用减少 2.1 倍

• 在图原生查询（hub 检测、调用者排名）上，19/31 种语言匹配或超越文件探索

这一结果揭示了核心权衡：结构化检索在关系性和结构性导航上显著优于文件探索，代价是在需要穷举模式匹配的场景下回答质量略低。最优方案是两者的混合——结构化检索处理"X 是如何工作的？"类问题，文件探索处理"所有使用 Y 的地方"类问题。

Codegraph：结构化检索的工程实现

Codegraph 是一个开源 MCP 服务器，将代码库预索引为本地 SQLite 知识图谱。它的核心设计思路是：将代码探索的成本从运行时（每次 Agent 会话）移到构建时（一次性索引）。

✅ 架构概览

Codegraph 的处理管线分为三个阶段：

阶段一：代码解析（Tree-sitter → AST → 节点提取）​​​​​​​

源代码文件  → Tree-sitter 解析器（per-language WASM grammar）  → AST 遍历  → 节点提取（函数、类、方法、变量、常量、接口、枚举…）  → 边提取（调用、引用、继承、实现、装饰器…）

Codegraph 使用 web-tree-sitter 的 WASM 运行时加载语言语法。src/extraction/tree-sitter.ts 中的核心提取函数为每个源文件生成 ExtractionResult，包含 Node[] 和 Edge[]。节点类型（NodeKind）覆盖 21 种代码实体：​​​​​​​

// codegraph-analysis/src/types.tsexport const NODE_KINDS = [  'file', 'module', 'class', 'struct', 'interface', 'trait',  'protocol', 'function', 'method', 'property', 'field',  'variable', 'constant', 'enum', 'enum_member', 'type_alias',  'namespace', 'parameter', 'import', 'export', 'route', 'component',] as const;

边类型（EdgeKind）覆盖 12 种关系：​​​​​​​

// codegraph-analysis/src/types.tsexport type EdgeKind =  | 'contains'     // 父包含子（file→class, class→method）  | 'calls'        // 函数/方法调用另一个  | 'imports'      // 文件导入  | 'exports'      // 文件导出符号  | 'extends'      // 类/接口继承  | 'implements'   // 类实现接口  | 'references'   // 通用引用  | 'type_of'      // 变量/参数的类型  | 'returns'      // 函数返回类型  | 'instantiates'  // 创建类实例  | 'overrides'    // 方法覆写  | 'decorates';   // 装饰器应用

阶段二：引用解析（Import Resolution + 框架特化）

原始提取的节点和边包含大量未解析的引用——例如 import { Foo } from './bar' 只产生一个指向路径 ./bar 的未解析引用。src/resolution/ 目录实现了完整的引用解析管线[6]：

• import-resolver.ts：解析模块路径，处理路径别名（tsconfig.json 的 paths）

• path-aliases.ts：处理 TypeScript、Webpack 等工具的路径映射

• name-matcher.ts：符号名匹配和消歧

• frameworks/ 目录：针对 20+ 框架（React、Vue、Svelte、Go、Rust、Python、Java、Swift、Ruby、C#、Laravel、NestJS、Express 等）的特化解析器

框架特化解析是 Codegraph 区别于简单 AST 分析的关键。例如 frameworks/react.ts 理解组件的 props 传递和 hook 调用链；frameworks/go.ts 理解 Go 模块系统和接口隐式实现。

阶段三：持久化与查询（SQLite + FTS5）

所有节点和边被写入 SQLite 数据库，src/db/queries.ts 中的 QueryBuilder 提供结构化查询接口[6]。src/graph/queries.ts 中的 GraphQueryManager 在此之上构建高层查询：​​​​​​​

// codegraph-analysis/src/graph/queries.tsgetContext(nodeId: string): Context {  const focal = this.queries.getNodeById(nodeId);  const ancestors = this.traverser.getAncestors(nodeId);    // 包含层级  const children = this.traverser.getChildren(nodeId);       // 子节点  const incomingRefs = ...;  // 引用这个节点的其他节点  const outgoingRefs = ...;  // 这个节点引用的其他节点  const types = ...;         // 类型信息（type_of, returns 边）  return { focal, ancestors, children, incomingRefs, outgoingRefs, types };}

全文搜索使用 SQLite FTS5 扩展，支持前缀搜索、模糊匹配和按相关性排序。

✅ MCP 工具集

Codegraph 通过 MCP（Model Context Protocol）向编码 Agent 暴露工具[6]。src/mcp/tools.ts 定义了核心工具集：

codegraph_explore 是最核心的工具。它的输出经过精心设计以控制上下文大小：​​​​​​​

// codegraph-analysis/src/mcp/tools.tsconst MAX_OUTPUT_LENGTH = 15000;  // 防止上下文膨胀function getExploreBudget(fileCount: number): number {  if (fileCount < 500) return 1;  if (fileCount < 5000) return 2;  if (fileCount < 15000) return 3;  if (fileCount < 25000) return 4;  return 5;}

对于容器类型节点（class、struct、interface 等），codegraph_node 返回结构化大纲（成员名 + 签名 + 行号）而非完整体。这避免了一个大类的多千字符源码膨胀 Agent 的上下文。codegraph_explore 还会折叠冗余的可互换实现为签名，使响应大小与答案相关而非文件数量相关。

✅ 实时同步机制

src/sync/watcher.ts 使用操作系统原生文件事件（macOS FSEvents、Linux inotify、Windows ReadDirectoryChangesW）监听文件变更[6]。变更的文件被重新解析和索引，保持知识图谱与代码库的一致性。src/sync/watch-policy.ts 定义了监听策略，排除 node_modules、.git 等目录。

✅ 基准测试数据

Codegraph 在 7 个跨语言开源代码库上进行了基准测试，使用 Claude Code（headless 模式）回答架构问题，每组 4 次运行取中位数：

这组数据的关键特征是：

• 工具调用和速度的提升在所有代码库上一致，与规模无关

• File Reads 降至接近零：有 Codegraph 时 Agent 几乎不需要读取文件，无 Codegraph 时平均需要读取 4-9 个文件

• Token 和成本节省与规模相关：小项目的节省更显著（Alamofire: 40%），大项目因为 Codegraph 返回的大型缓存友好响应替代了多次小的 grep/read 往返，成本趋于持平

独立验证来自 Tekkix 的技术分析，该分析在更大的代码库上重现了类似结果：VS Code（4002 文件）从 52 次工具调用降至 3 次（94% 减少），Swift 编译器（25,874 文件、272,898 节点）在 4 分钟内完成索引，Agent 以 6 次调用和零文件读取在 35 秒内回答了复杂的跨模块问题。

七学术视角：代码知识图谱的三种架构

Codegraph 并非孤立的工程实践。学术界在 2025-2026 年提出了三种代码知识图谱架构，各有不同的设计取舍：

✅ CodexGraph：图数据库 + 查询语言

CodexGraph（NAACL 2025）将代码仓库提取为图数据库，节点为 MODULE、CLASS、FUNCTION 等源码符号，边为 CONTAINS、INHERITS、USES 等关系。Agent 通过图查询语言（而非自然语言）精确检索代码结构。

CodexGraph 的优势在于查询的精确性——图查询语言消除了自然语言的歧义。在 CrossCodeEval、SWE-bench 和 EvoCodeBench 上展示了竞争力的性能。局限是需要图数据库基础设施（如 Neo4j），增加了部署复杂性。

✅ PROMETHEUS：统一知识图谱 + 多语言

PROMETHEUS 构建统一的代码知识图谱，集成文件结构、AST 和文本内容。三个核心组件：

1. FileNode：文件或目录，属性包含唯一 ID、相对路径和基本名

2. ASTNode：Tree-sitter 语法节点，包含起止行、代码文本和类型

3. 持久化到 Neo4j

构建策略有意采用浅层方式——仅关注深度 0（完整源码文件）和深度 1（顶层构建块：import、函数定义、类定义、全局变量）的节点。在 7 种编程语言上实现 25.7%（77/300）的 issue 解决率。

✅ Codebase-Memory：轻量级 MCP 方案

Codebase-Memory（arXiv:2603.27277）选择了与 Codegraph 最接近的技术栈：

Codebase-Memory 强调零依赖和广泛的语言覆盖。在发布四周内获得 900+ star，被 10 个编码 Agent（包括 Claude Code、Codex CLI、Gemini CLI）自动检测。

事后压缩 vs 事前检索：互补而非替代

Claude Code 的压缩管线和 Codegraph 的结构化检索并非竞争关系，而是解决同一问题的两个互补维度：

最优的 Agent 系统应该同时使用两者：Codegraph 在信息进入上下文前精确定位。Agent 不再需要执行 20 次 grep + Read 来理解一个模块的架构，一次 codegraph_explore 即可返回完整的符号关系和关键源码。这从源头减少了上下文膨胀。Claude Code 的压缩管线作为安全网，处理即使在精确检索下仍然会累积的对话历史和工具结果。

Claw-SWE-Bench 的研究提供了架构层面的支撑：同一模型下，仅更换 harness 可以带来 12.5-27.4 个百分点的性能差异[16]。这意味着投资于更好的探索工具（如 Codegraph）和更好的上下文管理（如五层压缩管线）的回报，可能超过投资于更强模型的回报。

开放问题与未来方向

✅ 压缩时机的自主决策

Claude Code 当前的压缩触发基于 token 阈值，一个静态的、与任务无关的条件。SelfCompact和 Acon的研究表明，让模型（或独立的元认知模块）根据轨迹结构决定压缩时机，可以显著提升性能。未来的 Agent 系统可能需要一个"上下文管理器"角色，专门负责监测上下文质量并在最佳时机触发压缩。

✅ 跨会话的知识持久化

当前的代码知识图谱是会话级的，每次 Agent 启动都需要重新理解代码库（即使 Codegraph 提供了预索引）。Dive into Claude Code 论文识别了这一开放方向：跨会话持久化。如何在会话之间保留 Agent 对代码库的理解，而不仅仅是用户指令（CLAUDE.md）。

✅ 压缩与检索的统一框架

当前的事后压缩和事前检索是独立的子系统。未来可能出现统一框架：知识图谱不仅提供检索，还指导压缩。例如基于符号的重要性（调用频率、修改历史）决定哪些上下文优先保留，哪些优先压缩。

✅ 评估标准的演进

传统的 resolve rate 指标忽略了 Agent 的资源效率。SWE-Effi 的 Effectiveness under Token Budget（EuTB）和 Claw-SWE-Bench 的 Pareto 前沿分析代表了评估标准的演进方向：不仅衡量 Agent 能否完成任务，还衡量它以多少资源完成任务。成本分析数据显示，在企业规模（每月 50,000+ 任务）下，每个任务 $74 vs $0.46 的差异决定了自动化项目是否有正 ROI 。

参考文献

[1] Liu, J., Zhao, X., Shang, X., & Shen, Z. (2026). Dive into Claude Code: The Design Space of Today's and Future AI Agent Systems. arXiv:2604.14228.

[2] AgentMarketCap. (2026). The AI Agent Inference Cost Race 2026: What It Really Costs to Resolve a GitHub Issue.https://agentmarketcap.ai/blog/2026/04/06/ai-agent-inference-cost-race-2026-swe-bench-token-efficiency

[3] SWE-Effi: Re-Evaluating Software AI Agent System Effectiveness Under Resource Constraints. arXiv:2509.09853.

[4] Liu, N. F., Lin, K., Hewitt, J., Paranjape, A., Bevilacqua, M., Petroni, F., & Liang, P. (2024). Lost in the Middle: How Language Models Use Long Contexts. TACL 2024. arXiv:2307.03172.

[5] Anthropic. (2026). Compaction — Claude API Documentation.https://platform.claude.com/docs/en/build-with-claude/compaction

[6] McHenry, C. (2026). CodeGraph: Pre-indexed code knowledge graph for Claude Code, Codex, Gemini, Cursor.https://github.com/colbymchenry/codegraph

[7] 清华大学. Claude Code 技术分析：对话循环 — Agent 的心跳.https://github.com/lintsinghua/claude-code-book

[8] HarrisonSec. (2026). How Claude Code Compresses Context — The 5-Level Pipeline. https://harrisonsec.com/blog/claude-code-context-engineering-compression-pipeline/

[9] Claude Code Context Management.https://mintlify.wiki/sanbuphy/claude-code-source-code/concepts/context-management

[10] Anthropic. (2026). How Claude Code uses prompt caching.https://code.claude.com/docs/en/prompt-caching

[11] Self-Compacting Language Model Agents. (2026). arXiv:2606.23525.

[12] Agent Context Optimization (Acon): Optimizing Context Compression for Long-horizon LLM Agents. (2025). arXiv:2510.00615.

[13] SWE-Pruner: Self-Adaptive Context Pruning for Coding Agents. (2026). arXiv:2601.16746.

[14] ZipRL: Adaptive Multi-Turn Context Compression with Hindsight Response Replay. (2026). arXiv:2605.28069.

[15] Vogel, M. (2026). Codebase-Memory: Tree-Sitter-Based Knowledge Graphs for LLM Code Exploration via MCP. arXiv:2603.27277.

[16] Claw-SWE-Bench: A Benchmark for Evaluating OpenClaw-style Agent Harnesses on Coding Tasks. (2026). arXiv:2606.12344.

[17] Tekkix. (2026). CodeGraph: A code graph for Claude Code to replace file-wide grep — Architecture breakdown and benchmark verification.https://tekkix.com/articles/ai/2026/05/codegraph-a-code-graph-for-claude-code-to-rep

[18] Liu, B. et al. (2025). CodexGraph: Bridging Large Language Models and Code Repositories via Code Graph Databases. NAACL 2025. ACL Anthology 2025.naacl-long.7.

[19] PROMETHEUS: Unified Knowledge Graph for Multi-Language Issue Resolution. OpenReview.

[20] Anthropic. (2026). Context engineering: memory, compaction, and tool clearing — Claude Cookbook.https://platform.claude.com/cookbook/tool-use-context-engineering-context-engineering-tools

[21] EET: Experience-Driven Early Termination for Cost-Efficient Software Engineering Agents. (2026). arXiv:2601.05777.

[22] Bai, L. et al. (2026). Agent Token Consumption Analysis.https://github.com/LongjuBai/agent_token_consumption_analysis