09｜渐进发现：信息的觅食循环

黄佳

你好，我是黄佳。
前两讲我们讲了上下文分诊和语义压缩。上下文分诊管哪些信息能进 context，语义压缩管已经进来的信息怎么压。但它们有一个共同前提：你已经知道相关信息在哪。
不过如果 Agent 面对的是一个陌生代码库、一份没看过的合同、一段很长的事故日志，不知道相关信息在哪，只能自己探索出来。由此我们引入渐进发现（Progressive Discovery）模式，感知模块的第三个模式。
如何快速而准确地分析遗留代码库，是一个高频问题，在技术群组讨论中经常遇到。
对大型遗留代码库进行准确的信息定位是个大问题
想解决图中的问题需要一套整体打法。比如做好知识工程、构建 AST 树、使用 RAG 等等。但在进入这些技术方案之前，我们先通过一个案例看看：遗留代码库到底难在哪里，渐进发现和这个问题有什么关系，以及为什么它能帮助 Agent 更好地理解老代码库。
比如说在一个电商系统中出现了 bug：订单确认邮件偶尔会混入其他客户的订单条目。开发团队接手时，面对的是一个 15000 文件的遗留代码库。文档稀疏，原作者走了，没人知道订单邮件 pipeline 具体走了哪些文件。
他们试了三种思路。
第一种，把整个代码库喂给 Agent 让它读。15000 个文件折下来大约 800K token，远超任何 LLM 窗口。切成 100 段并行喂的话，每段 Agent 都说“这一段没看到 bug”，因为它看不到全局。

公开

同步至部落

取消

完成

0/2000

荧光笔

直线

曲线

笔记

复制

AI

深入了解
翻译
英语
中文简体
法语
德语
日语
韩语
俄语
西班牙语
解释
总结

仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《Agent 设计模式之美》，新⼈⾸单¥68

立即购买

登录后留言

精选留言

由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。

收起评论