IT
Spine aiuta gli agenti di programmazione a seguire il lavoro annidato
Spine: Compiling Subtask Trees into Structured Context for Long-Horizon Coding Agents · arXiv:2610.37224
In parole semplici
I lunghi lavori di programmazione contengono attività più piccole: alcune finiscono mentre altre sono ancora in corso. Una cronologia semplice può diventare difficile da gestire, mentre accorciarla può rendere meno chiaro che cosa resta da fare.
Il paper introduce Spine, un sistema che permette agli agenti di programmazione di segnare quando iniziano e terminano le attività. Spine conserva i dettagli, ma nei successivi input del modello sostituisce il lavoro dettagliato di un'attività completata con il suo risultato.
In un confronto, SpineCodex ha completato più milestone di un repository a un costo inferiore rispetto a Codex, nella stessa configurazione testata.
La ricerca
Quando un agente di programmazione affronta un'attività lunga con sottoattività annidate, come può conservare i dettagli necessari per il lavoro ancora in corso senza accumulare una cronologia sempre più lunga di quello già completato?
Richiedere un agente separato per ogni sottoattività può aggiungere lavoro di coordinamento, anche quando l'agente corrente potrebbe occuparsene.
Spine registra le attività di programmazione annidate e il loro completamento, poi prepara ogni input del modello usando il lavoro aperto e i risultati delle attività concluse.
Gli autori hanno confrontato SpineCodex con Codex su SWE-Milestone, che verifica i progressi su milestone dipendenti in un repository preservando il comportamento esistente.
Con GPT-5.6 Sol, lo Score dell'evaluatore, che combina test di nuove funzionalità e di prevenzione delle regressioni, è stato del 42,6% contro il 38,1%; SpineCodex ha risolto 19 delle 98 milestone contro 14, con un costo inferiore.
Su un campione casuale di 50 attività di ProgramBench, anche i test nascosti sul comportamento dei programmi ricostruiti hanno mostrato un tasso medio di superamento più alto per SpineCodex.
Nel complesso, questi confronti supportano il valore di organizzare il contesto attorno al completamento delle attività nelle configurazioni testate.
Le valutazioni riguardano una selezione di attività, modelli e harness; sette delle 17 attività di FrontierSWE non erano disponibili e sono state escluse. I risultati quindi non stabiliscono le prestazioni su quelle attività né su tutte le attività di programmazione di lunga durata.
Cosa mostrano le prove
- Il problema del contesto
Spine è un'interfaccia e un runtime per agenti di programmazione che organizza il contesto del modello attorno a sottoattività annidate e al loro completamento. Il problema è che una cronologia delle interazioni sempre più lunga può nascondere il lavoro ancora in corso, mentre comprimerla può eliminare informazioni necessarie per riprenderlo.
Richiedere un agente figlio per ogni confine tra attività aggiunge anche lavoro di coordinamento, persino quando l'agente corrente potrebbe occuparsene.
- Segnare i confini tra attività
Spine permette a un agente di aprire un ambito di lavoro per una sottoattività e di chiuderlo inviando un risultato. Lo stesso agente può gestire localmente gli ambiti annidati, mentre le attività indipendenti possono essere delegate.
SpineTree registra l'ordine e i contenuti degli ambiti, la loro struttura annidata, gli stati di completamento e i risultati restituiti, mantenendo espliciti i confini tra attività nel registro di esecuzione.
- Preparare il contesto del modello
Prima di ogni chiamata al modello, il runtime di Spine mantiene i messaggi e le descrizioni delle attività aperte e sostituisce le interazioni dettagliate di un'attività completata con il risultato inviato alla sua chiusura.
Le interazioni dettagliate restano in SpineTree. Così il modello riceve un resoconto più breve del lavoro completato, mentre il registro completo resta disponibile per consultarlo.
- Risultati sul lavoro nei repository
Su SWE-Milestone, che verifica i progressi su milestone dipendenti in un repository preservando il comportamento esistente, SpineCodex ha ottenuto uno Score del 42,6% con GPT-5.6 Sol.
Nella configurazione predefinita è stato confrontato con quattro metodi di riferimento per la gestione del contesto: lo Score era paragonabile a quello di Recursive Subagent (42,6% contro 42,4%), ma ha risolto più milestone (19 contro 17) a un costo nettamente inferiore ($460.77 contro $1,749.73).
- Verifiche oltre una singola configurazione
ProgramBench verifica se gli agenti possono ricostruire programmi dalla documentazione e da un'implementazione di riferimento che può soltanto eseguire; test nascosti controllano se il programma ricostruito ne riproduce il comportamento.
Su un campione casuale di 50 attività, SpineCodex ha avuto un tasso medio di superamento dei test più alto di Codex. Con Pi, lo Score di SpinePi su SWE-Milestone è migliorato del 9,5% con Gemini 3.8 Flash e del 17,5% con Qwen 3.8 27B.
Anche su ProgramBench il tasso medio di superamento è migliorato con entrambi i modelli: dell'8,7% con Gemini e del 4,3% con Qwen. Gli studi di ablazione su tre progetti SWE-Milestone hanno testato separatamente il limite di un livello di annidamento sotto la radice (Depth 1) e la rimozione dagli input del modello dei marcatori di confine e degli stati degli ambiti, mantenendo la compilazione dello stato nel runtime.
Entrambe le modifiche hanno aumentato la media dei token di input per richiesta rispetto a SpineCodex completo: Depth 1 l'ha portata da 59.8K–78.1K a 82.8K–99.5K; la rimozione degli indizi sui confini l'ha portata a 118.1K–128.6K, un aumento del 64–97%.
Dettagli
- Autori del paper originale
- Jiahong Xiang, Kunqiu Chen, Lingming Zhang, Yuqun Zhang
- Inviato ad arXiv
- Licenza
- arXiv non-exclusive