Nowoczesne agenty kodowania mogą pomieścić całe repozytoria w swoim oknie kontekstu, ale większość czytanego kodu zostaje zmarnowana. Naukowcy postanowili odpowiedzieć na zasadnicze pytanie: co agent naprawdę potrzebuje w momencie edytowania kodu? Odddzielili znalezienie miejsca do pracy od samego działania, utrzymując lokalizację za pomocą wyroczni i testując różne reprezentacje kodu względem rzeczywistego rozwiązywania problemów na SWE-bench Verified.
Wyniki są drastycznie minimalistyczne. Całą moc sygnału nosi sam edytowany kod - naturalnojęzykowe streszczenia odpowiadają na prawie żadne z behawioralnych pytań, na które odpowiada kod źródłowy (4/45 vs 27/45 w odłączonych repozytoriach, oceniane przez niezależnych sędziów). Luka ta nie należy do sumaryzowaczy - nawet model graniczny osiąga takie same słabe wyniki jak model 3B. Otaczający kontekst prawie wcale nie ma znaczenia - w całym zbiorze instancji wieloplikowych w Verified, renderowanie reszty pliku jako szkieletów UML i podpisów nie rozwiązuje więcej problemów niż całkowite usunięcie tej reszty.
Alternatywnie, skompresowany kontekst dorównuje pełnym plikom przy użyciu trzech razy mniejszej liczby tokenów. Rozwiązanie jednego problemu kosztuje 19K tokenów kontekstu zamiast 94K. Odkrycie to powinno zmienić podejście branży do projektowania agentów kodowania, sugerując, że zamiast maksymalizowania dostępnego kontekstu, powinniśmy fokusować się na precyzyjnym wyborze informacji istotnych dla danego zadania.