.jpg)
En l'àmbit de la reparació automatitzada de repositoris de codi, els agents basats en models de llenguatge de gran escala (LLM) s'enfronten a un repte crític: la gestió eficient del context. Cada vegada que un agent necessita llegir fitxers complets, realitzar cerques àmplies o processar sortides de terminal extenses, consumeix un pressupost de tokens que es dispara, dificultant l'escalabilitat i elevant els costos operatius. Aquí és on entra en joc ContextSniper, un innovador sistema de memòria de tokens dissenyat per AntTrail per a la reparació de repositoris a nivell de codi. El seu enfocament se centra a extreure només l'evidència rellevant —codi candidat, traces d'execució i registres— filtrant el soroll mitjançant un mecanisme de porta de context basat en intenció. El resultat és una reducció dràstica de l'ús total de tokens, que pot assolir entre un 38% i un 51%, amb una pèrdua mínima en la taxa de resolució d'incidències. Aquest tipus d'optimització resulta fonamental per a empreses que desenvolupen aplicacions a mida o integren ia per a empreses, on l'eficiència computacional es tradueix directament en estalvi de recursos i major agilitat en els cicles de desenvolupament.
L'arquitectura de ContextSniper recorda la d'un filtre intel·ligent: combina senyals de recuperació híbrides per classificar i prioritzar fragments de codi i evidència d'execució, i després empaqueta aquesta informació en blocs compactes abans d'enviar-los al model. L'interessant és que preserva el context d'origen recuperable fora del prompt, permetent mantenir la traçabilitat sense inflar el pressupost de tokens. Aquest paradigma de
