大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



大模型的上下文窗口越来越长，但一个尴尬的事实是：上下文越长，模型越容易读不懂重点。目前主流的两条路线——扩大上下文窗口、或引入RAG检索。但各自都各有局限：前者成本高且仍存在性能衰减，后者检索流程固定，难以支撑需要反复探索与多跳推理的复杂任务。

这篇论文提出了一个完全不同的方向：与其让模型在注意力里“硬记”，不如把长文本变成它可以真正操作的对象——用文件系统组织语料，让编码代理通过搜索、脚本和迭代分析去“主动阅读”海量信息。

关键亮点：提出将长上下文处理重构为“文件系统导航 + 编码代理执行”的新范式，无需任务特定训练即可跨场景通用，并能自主涌现多跳检索与程序化推理策略。

数据亮点：在覆盖18.8万到3万亿token的5个主流基准上，平均超越现有SOTA 17.3%，且在4个基准取得最优成绩，同时单查询成本显著低于全上下文强基线。

是否开源：已开源，相关链接见结尾。

论文的核心思路非常直接：把长文本变成代码仓库，让编码代理用程序员的方式去读资料。代理只需拿到文件路径和任务指令，就能通过命令行与脚本自主完成搜索、阅读与推理。

1. 语料文件系统化：把文本变成“代码仓库”

根据任务规模，语料被组织为代理熟悉的文件结构：

• • 超大规模语料（>1亿 token）：每篇文档单独存为 txt，构成可导航目录。
• • 如果是单篇超长文档，就直接把整个文档存成一个txt文件。

之后只需要给编码代理提供文件或目录的路径，加上任务查询，剩下的就交给代理自主处理。

作为文件系统导航的文本处理

2. 代理如何“主动阅读”长文本

编码代理可直接调用原生工具完成任务：

• • 执行终端命令，比如用grep搜索关键词、用head查看文件开头内容；
• • 编写并运行Python脚本，实现程序化的搜索、文本解析和处理；
• • 创建中间文件保存部分结果，再根据这些结果迭代优化处理逻辑。

在 Oolong-Real 任务中，代理通过多轮脚本迭代逐步补全咒语匹配规则，最终覆盖所有边缘案例——这一过程很难由固定检索管道或纯注意力模型完成。

Oolong-Real 上的迭代优化示例。当被要求在一份 38.5 万 token 的转录文本中找出 Vax’ildan 在每一集中施展的最后一个咒语时，编码代理编写了 Python 脚本，并通过分析失败案例发现了领域特有的咒语表述方式，随后不断迭代改进其处理逻辑。

3. 为什么文件系统 + 原生工具效果这么好？

（1）目录结构显著提升性能

作者对比了语料按目录分文件存储和所有语料存成单个JSON文件两种情况，结果显示，目录结构的性能全面领先。

比如在BrowseComp-Plus任务中，没有额外检索工具的情况下，目录结构的准确率是89.0，单文件只有83.0。

行为分析显示：

• • 目录结构 → 更多使用 nl、sed，形成“先索引再定位”的坐标式阅读；
• • 单文件 → 只能反复全量搜索，效率低且易陷入循环。

文件系统结构的消融实验

BrowseComp-Plus数据集（无检索器）上平均命令使用次数的分析

（2）传统检索工具反而可能降低性能

一个反常识的发现是：给编码代理加上传统的检索工具，比如BM25、Gemini Embeddings，不仅不会提升性能，反而可能让表现下降。

比如在BrowseComp-Plus任务中，无检索的Codex准确率是88.50，加上BM25后降到了78.50。

观察代理的行为就能找到答案：有检索工具时，代理减少原生命令使用（14.92 → 8.33 次），过度依赖不完美的排序结果，反而限制了自主探索。

BrowseComp-Plus上不同检索器配置下的智能体探索模式

（3）代理会“自动选择最合适的策略”

不同任务中，代理会涌现不同工作模式：

• • 多跳检索：形成“搜索 → 新实体 → 再搜索”的迭代链条；
• • 分析任务：编写 Python 脚本进行批量统计与规则迭代；
• • 通用长文任务：减少工具使用，直接依赖模型推理。

代理的工具使用行为会随任务类型显著变化，体现出强烈的任务自适应能力。

论文在五类长上下文基准上评估了编码代理，覆盖 18.8万 → 3万亿 token 的极大跨度。结果显示，该方案在整体上平均超越既有**方法 17.3%。

各基准关键结果如下：

• • BrowseComp-Plus（7.5亿token，多跳推理）：无检索 Codex 准确率 88.50%，相比此前 SOTA 80.00% 提升 10.6%，取得最高成绩。
• • Oolong-Synthetic（53.6万token，长文推理）：得分 71.75%，较此前 64.38% 提升 11.5%。
• • Oolong-Real（38.5万 token，真实长文档）：Claude Code + BM25 达到 37.46%，相比 24.09% 提升 55.5%，是提升幅度最大的任务。
• • LongBench（18.8万 token，多任务长文）：准确率 61.50%，与此前最优 63.30% 持平，保持强竞争力。
• • NNatural Questions（3万亿 token，开放域 QA）：精确匹配 56.00%，较 50.90% 提升 10%，在超大规模语料上依然稳定。

编码智能体在五个长上下文基准测试中显著超越此前**公开结果，这些基准的上下文长度跨度从188K到三万亿token。

成本表现同样值得关注：

编码代理虽然高于轻量 RAG，但显著低于 GPT-5 全上下文与 RLM 等强基线，整体性价比更优。以 Oolong-Real 为例：

GPT-5 全上下文单词查询 $0.77，而无检索 Codex 为 $0.419，同时性能从 22.45% 提升至 33.73%。

每个查询在各基准测试上的平均成本

这项工作最突出的价值在于它重新定义了长上下文能力的实现路径：不再执着于无限扩展上下文窗口或堆叠检索模块，而是把问题转化为编码代理可以执行的文件系统操作，让模型通过搜索、脚本与迭代分析主动“阅读”海量语料。

在无需额外训练的前提下，就能在多个长上下文基准上取得大幅领先，同时兼顾成本与落地可行性，这种兼具范式创新与工程可实施性的研究，在当前长上下文赛道中极具代表性。

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】