ES
Spine ayuda a los agentes de programación a seguir el trabajo anidado
Spine: Compiling Subtask Trees into Structured Context for Long-Horizon Coding Agents · arXiv:2610.37224
En palabras sencillas
Los trabajos largos de programación se componen de tareas más pequeñas: algunas terminan mientras otras siguen en marcha. Un historial continuo puede volverse difícil de manejar, pero acortarlo puede dificultar saber qué queda pendiente.
El artículo presenta Spine, una forma de que los agentes de programación marquen cuándo empiezan y terminan las tareas. Spine conserva los registros detallados, pero entrega al modelo el resultado de una tarea terminada en lugar de todo el trabajo realizado.
En una comparación, SpineCodex completó más hitos de un repositorio y costó menos que Codex bajo la misma configuración evaluada.
La investigación
Cuando un agente de programación aborda una tarea larga con subtareas anidadas, ¿cómo puede conservar los detalles necesarios para el trabajo pendiente sin acumular un historial cada vez mayor de tareas terminadas?
Exigir un agente independiente para cada subtarea puede añadir coordinación, incluso cuando el agente actual podría encargarse de ella.
Spine registra las tareas de programación anidadas y su finalización, y después prepara cada entrada del modelo a partir del trabajo abierto y los resultados de las tareas terminadas.
Los autores compararon SpineCodex con Codex en SWE-Milestone, que evalúa el avance en hitos dependientes de un repositorio mientras se conserva el comportamiento existente.
Con GPT-5.6 Sol, la puntuación del evaluador, que combina pruebas de funcionalidad nueva y de prevención de regresiones, fue del 42,6 % frente al 38,1 %; SpineCodex completó 19 de 98 hitos frente a 14 y costó menos.
En una muestra aleatoria de 50 tareas de ProgramBench, las pruebas ocultas del comportamiento de los programas reconstruidos también mostraron una tasa media de aprobación superior para SpineCodex.
En conjunto, estas comparaciones respaldan el valor de organizar el contexto en torno a la finalización de tareas en las configuraciones evaluadas.
Las evaluaciones abarcan tareas, modelos y entornos de ejecución seleccionados. Siete de las 17 tareas de FrontierSWE no estaban disponibles y se excluyeron. Por tanto, los resultados no establecen el rendimiento en esas tareas ni en todas las tareas largas de programación.
Qué muestran las pruebas
- El problema del contexto
Spine es una interfaz y un entorno de ejecución para agentes de programación que organiza el contexto del modelo en torno a subtareas anidadas y su finalización. El problema es que un historial de interacciones cada vez mayor puede ocultar el trabajo pendiente, mientras que resumirlo puede descartar información necesaria para retomarlo.
Exigir un agente secundario para cada límite entre tareas también añade coordinación, incluso cuando el agente actual podría encargarse de ese trabajo.
- Marcar los límites de las tareas
Spine permite que un agente abra un ámbito de trabajo para una subtarea y lo cierre al enviar un resultado.
El mismo agente puede gestionar localmente ámbitos anidados, mientras que las tareas independientes pueden delegarse. SpineTree registra el contenido ordenado, el anidamiento, los estados de finalización y los resultados devueltos, de modo que los límites entre tareas quedan explícitos en el registro de ejecución.
- Compilar el contexto del modelo
Antes de cada llamada al modelo, el entorno de ejecución de Spine conserva los mensajes y las descripciones de las tareas abiertas, y sustituye las interacciones detalladas de una tarea terminada por el resultado enviado.
Las interacciones detalladas permanecen en SpineTree. Así, el modelo recibe un resumen más breve del trabajo terminado y el registro completo sigue disponible como referencia.
- Resultados en tareas de repositorio
En SWE-Milestone, que evalúa el avance en hitos dependientes de un repositorio mientras se conserva el comportamiento existente, SpineCodex obtuvo una puntuación del 42,6 % con GPT-5.6 Sol.
En la configuración predeterminada, se comparó con cuatro referencias de gestión del contexto: su puntuación fue comparable a la de Recursive Subagent (42,6 % frente a 42,4 %), y completó más hitos (19 frente a 17) con un costo mucho menor ($460.77 frente a $1,749.73).
- Comprobaciones en otras configuraciones
ProgramBench evalúa si los agentes pueden reconstruir programas a partir de documentación y de una implementación de referencia que solo se puede ejecutar; las pruebas ocultas comprueban si el programa reconstruido reproduce el comportamiento de referencia.
En una muestra aleatoria de 50 tareas, SpineCodex tuvo una tasa media de aprobación de pruebas superior a Codex. En Pi, la puntuación de SpinePi en SWE-Milestone mejoró un 9,5 % con Gemini 3.8 Flash y un 17,5 % con Qwen 3.8 27B.
En ProgramBench, su tasa media de aprobación también mejoró con ambos modelos: un 8,7 % con Gemini y un 4,3 % con Qwen. Las ablaciones en tres proyectos de SWE-Milestone evaluaron por separado limitar el anidamiento a un nivel por debajo de la raíz (Depth 1) y eliminar los marcadores de límite y los estados de los ámbitos de las entradas del modelo, manteniendo la compilación del estado en el entorno de ejecución. Ambas opciones aumentaron la media de tokens de entrada por solicitud respecto de SpineCodex completo: Depth 1 la elevó de 59.8K–78.1K a 82.8K–99.5K; eliminar las señales de límite la elevó a 118.1K–128.6K, un aumento del 64–97 %.
Detalles
- Autores del paper original
- Jiahong Xiang, Kunqiu Chen, Lingming Zhang, Yuqun Zhang
- Enviado a arXiv
- Licencia
- arXiv non-exclusive