FastContext - マイクロソフトのオープンソース軽量コードリポジトリ探索モデル - AiBoss

FastContextとは何ですか？

FastContext は、Microsoft がオープンソース化した軽量のコードリポジトリ探索モデルで、プログラミングエージェント向けに特別に設計されています。このモデルは、リポジトリの閲覧とタスクの解決を分離します。メインエージェントは、自然言語クエリを介して読み取り専用の探索を FastContext に委任し、FastContext は並列に Read/Glob/Grep ツールを呼び出し、最終的にコンパクトなファイルパスと行番号参照 (…) を使用します。<final_answer>これにより、焦点を絞った証拠が返され、メインエージェントがコンテキスト内に無関係なコードスニペットを蓄積するのを防ぎます。SWE-benchの多言語版、Pro版、およびSWE-QA版のベンチマークにおいて、このプロジェクトはエンドツーエンドの成功率を最大5.5%向上させると同時に、メインエージェントのトークン消費量を最大60.3%削減しました。

FastContextの主な機能

委託探査メインエージェントは、自然言語によるコンテキストクエリをFastContextに委任し、探索プロセス中にメインコンテキストが汚染されないように、コードの編集とテストに集中します。
読み取り専用ツールセットこれには、Read、Glob、Grepという3つの言語非依存ツールが含まれています。これらのツールはファイルの読み取りと検索のみを実行し、コードの変更を一切禁止することで、リポジトリのセキュリティを確保します。
並列ツール呼び出し複数の独立した読み取りと正規表現検索を単一のラウンド内で同時に開始することができ、相補的な仮説経路を網羅し、最初の編集までの探索ラウンド数を短縮できる。
コンパクトなエビデンス出力構造化されたリターン <final_answer> 参照ブロックには、関連するファイルパスと正確な行番号範囲のみが含まれており、冗長な探索パスは含まれていません。
訓練可能な探検家40億～300億のパラメータを持つ専用モデルを提供し、教師ありファインチューニング（SFT）とタスク指向強化学習（RL）をサポートし、さまざまなサイズとドメインのリポジトリに適応します。

FastContextの技術的原則

サブエージェント委任アーキテクチャFastContextは、ランタイム委譲メカニズムを採用することで、リポジトリの探索をメインエージェントのソリューションパスから完全に分離します。メインエージェントは自然言語クエリを送信するだけでよく、FastContextは独立した環境で読み取り専用の探索を繰り返し実行し、最終的に絞り込まれた証拠を返します。これにより、探索的な読み取りや検索がメインエージェントのコンテキストウィンドウを占有することを回避できます。
並行探索のための3つのツールサブエージェントは、Read、Glob、Grepという3つの言語非依存ツールのみを提供します。意思決定の各ラウンドにおいて、モデルは複数の独立したツール呼び出しを並行して開始し、パス探索、シンボル検索、コンテンツ読み取りを同時に実行できます。観測結果に基づいて、モデルは次のラウンドの検索戦略を動的に調整し、複数ラウンドにわたる証拠収集を実現します。
コンパクトリファレンス出力プロトコル探索が終了すると、FastContextは構造化されたメッセージを出力します。 <final_answer> ブロックには、関連するファイルパスと正確な行番号範囲のみが含まれており、必要に応じてその関連性に関する簡単な説明が付加されます。この形式により、メインエージェントは長い探索パスを処理することなく、フォーカスコンテキストを直接利用できます。
2段階トレーニング戦略本モデルは、教師あり微調整（SFT）と強化学習（RL）の2段階で学習されました。SFT段階では、Sonnet 4.6の軌跡から2,954個のサンプルを作成し、第1ラウンドの並列探索、複数ラウンドの証拠収集、正確な行番号引用という3種類の動作を網羅しました。RL段階では、GRPOを用いてモデルを最適化し、実際のタスク目標に適合させました。

WeChatでフォローして「オープンソース「、参加するAIオープンソースプロジェクトに関するディスカッショングループ

FastContextの使い方

環境準備Python 3.12以降をインストールして、以下を使用してください。 uv 依存関係を管理し、実行する uv tool install . CLIをインストールしてください。
モデルエンドポイントの設定OpenAI互換のチャット完了インターフェースを設定する：export BASE_URL、export MODEL、export API_KEY。
探索的クエリを実行する対象リポジトリのルートディレクトリで実行してください。 fastcontext --query "定位请求验证逻辑" --max-turns 6簡潔な参考文献を入手しましょう。
メインエージェントに統合する：合格 make_fastcontext_agent() プログラムで呼び出し、設定する citation=True 機械可読な参照ブロックのみが返されます。
エンドツーエンド評価：コピー .env メインのエージェントとFastContextの認証情報を設定し、実行します... bench_mini_swe_agent.py SWEベンチマークの結果を再現してください。

FastContextの主な利点

デカップリングとコスト削減時間のかかるトークン集約型のリポジトリ参照をメインエージェントのパスから削除することで、メインエージェントのコンテキストがよりクリーンになり、推論がより集中的になります。
小型モデル、高効率強化学習で学習させた4Bパラメータモデルは、SWE-bench ProにおいてGPT-5.4に対して+5.5のスコア向上を実現し、トークンオーバーヘッドは極めて低い。
平行方向の加速度単一ラウンドでの複数ツール並列処理により、探索ラウンド数が大幅に短縮され、最初の編集までの平均待ち時間が短縮されます。
ユニバーサルプラグインOpenAI互換のAPIサービスを使用しており、Mini-SWE-Agent、Claude Code、Cursorなどの主要なエージェントフレームワークと統合できます。
オープンソースで再現可能SFT/RLのトレーニングスクリプト、評価プロセス、およびモデルの重みを完全に公開し、コミュニティによる二次トレーニングをサポートします。

FastContextプロジェクトのアドレス

GitHubリポジトリ：https://github.com/microsoft/fastcontext
ハギングフェイスモデルライブラリ：https://huggingface.co/collections/microsoft/swe-fastcontext
arXiv技術論文：https://arxiv.org/pdf/2606.14066

FastContextと類似製品との比較

比較対象寸法	FastContext	SWE-Pruner
コアポジショニング	独立したリポジトリ探索サブエージェント（主にフロントエンドエージェント）は、証拠の取得に重点を置いている。	メインエージェントの内部コンテキストプルーナーは、蓄積された冗長コンテンツの後処理圧縮を実行します。
主要エージェントとの関係	外部委託により、主要な状況に影響を与えることなく、探査の軌跡を完全に隔離することが可能になる。	プルーニングは、主要なエージェント推論プロセスに組み込まれており、主要なコンテキスト内で実行されます。
実行タイミング	編集前の最初の並列検索とそれに続く複数回の反復処理により、正確な参照が返されます。	メインエージェントが大量の読み取りを生成した後、履歴コンテキストが圧縮されます。
出力形式	構造化された `<final_answer>` ファイル行の引用は直接使用できます。	剪定されたコンテキスト断片は、メインエージェントによってさらにフィルタリングされる必要がある。
トークン保存パス	不要なコードがメインエージェントの履歴に書き込まれるのを防ぎ、最大60.3%の容量を削減します。	既に歴史に組み込まれている文脈の長さを短縮しても、節約できる金額は初期段階で行われた調査の量によって制限される。
トレーニング方法	SFTとタスク指向型強化学習を用いて学習された、4B～30Bの専用モデル。	ヒューリスティックな手法や圧縮戦略に基づいて、メインモデルは通常再利用される。
適用可能なシナリオ	大規模リポジトリの初期配置、ファイル間依存関係クエリ、および低リソースのエッジデプロイメント。	主要エージェントは、探索後に広範なコンテキスト削減を実行した。

FastContextの応用シナリオ

大規模なコードベースの問題修正数百万行のコードを含むリポジトリから、バグに関連するファイルや関数を迅速に特定し、手動でのブラウジングを削減します。
クロスファイル再構築アシスタントメインエージェントへの正確な行レベルの参照を提供し、モジュール間の依存関係分析とセキュリティのリファクタリングをサポートします。
コードレビューとQA対応特定の機能がどこで実装されているかという質問に答える場合は、証拠となる箇所を示すだけで十分です。ファイル全体を読む必要はありません。
リソースの少ないエージェントの展開4Bエクスプローラーは、エッジ環境またはローカル環境で実行でき、メインエージェントに低コストのコンテキストサービスを提供します。
エージェントのトレーニングデータ生成FastContextのSFT/RLパイプラインを活用して、特定のエンタープライズコードベース専用の探索的モデルをトレーニングします。

すべてのカテゴリ