L'explosió dels models de llenguatge grans ha permès que els agents de codi llegeixin repositoris sencers, però la pregunta fonamental no és quant poden veure, sinó què necessiten realment per editar. Un equip d'investigadors ha analitzat aquesta qüestió en el moment més crític: quan l'agent ha de modificar codi. Separant la localització del lloc de treball de l'acció, van fixar la localització amb un oracle perfecte i van variar la representació del codi, mesurant el rendiment contra incidències reals a SWE-bench Verified. El resultat és contundent: el senyal resideix en el propi codi que s'edita. Els resums en llenguatge natural, fins i tot de models punteres, amb prou feines responen preguntes de comportament que el codi font contesta fàcilment (4 de 45 enfront de 27 de 45). La bretxa pertany a la representació, no al resumidor.
Per a una empresa com Q2BSTUDIO, especialitzada en desenvolupament d'aplicacions a mida, aquesta troballa és or pur. Significa que els nostres equips poden dissenyar agents d'IA que consumeixin menys tokens, redueixin costos d'inferència i lliurin resultats més fiables. No es tracta de bombardejar el model amb tot el repositori, sinó de proporcionar-li exactament la línia que necessita. La nostra experiència en intel·ligència artificial ens permet implementar estratègies de context selectiu que milloren l'eficiència dels cicles de desenvolupament.
L'estudi també va comprovar que el context circumdant amb prou feines importa. En tots els casos multiarxiu de Verified, sota un protocol congelat abans de qualsevol dada, renderitzar la resta d'un arxiu com a esquelets UML i signatures no va resoldre més incidències que eliminar aquesta resta per complet (N=70, p=0.75). Aquesta hipòtesi registrada va fallar estrepitosament. Per a nosaltres, que treballem amb clients que utilitzen cloud AWS i Azure, això implica que podem optimitzar les peticions als models sense sacrificar qualitat. En lloc d'enviar arxius complets, un context comprimit que ocupi un terç dels tokens aconsegueix exactament els mateixos resultats: una incidència resolta costa 19K tokens de context, no 94K.
A més, l'instrument utilitzat va revelar una troballa que la comunitat ha de tenir present: la inferència amb temperatura zero produeix canvis en aproximadament el 9% de les incidències entre execucions byte-idèntiques. Això estableix un sòl de soroll sota qualsevol efecte petit reportat en aquest benchmark, inclosos els propis de l'estudi. Per a projectes de Business Intelligence i Power BI, on la consistència és crítica, aquest soroll s'ha de mesurar i mitigar. A Q2BSTUDIO, apliquem metodologies rigoroses de validació per assegurar que els nostres agents d'IA mantenen l'estabilitat que exigeixen els entorns empresarials.
Més enllà dels resultats tècnics, la implicació estratègica és clara: la pròxima generació d'agents de codi no es mesurarà per la mida del seu context, sinó per la intel·ligència amb què el selecciona. Les empreses que adoptin aquesta filosofia obtindran avantatges competitius en velocitat, cost i seguretat. La ciberseguretat també es beneficia: menys codi exposat al model significa menor superfície d'atac. En limitar el context a l'essencial, reduïm el risc de filtracions accidentals d'informació sensible.
A Q2BSTUDIO, combinem la nostra capacitat en desenvolupament d'aplicacions a mida amb solucions avançades d'IA, automatització, cloud i ciberseguretat per oferir agents de codi que entenen exactament què necessiten. El nostre equip integra Power BI per monitoritzar el rendiment d'aquests agents en temps real, assegurant que cada decisió es basa en dades fiables. Si la vostra empresa busca optimitzar els seus processos de desenvolupament amb agents intel·ligents, us convidem a explorar com la nostra experiència en cloud AWS/Azure i automatització pot transformar el vostre pipeline.
En resum, el context que un agent de codi realment necessita és sorprenentment petit. La clau està en separar la localització de l'acció, representar el codi amb fidelitat i comprimir la resta. Els resultats parlen per si sols: menys és més, i més intel·ligent és millor.
