Как ИИ-агенты для кода ищут контекст: разбор 7 репозиториев

Raghav ChamadiyaОбновлено 12 мин
Содержание

ИИ-агенты для кода ищут контекст через grep, find и read, а не через индекс кода. Мы прочитали код, отвечающий за контекст, у семи открытых агентов (по состоянию на 6 октября 2026 года), и ни один из них по умолчанию не строит поисковый индекс вашего кода. Различаются они тем, что выбрасывают: большая часть кода про контекст в этих репозиториях решает, что модель перестанет читать и когда.

Это полезный вывод для тех, кто выбирает или пишет агента. В публичных разговорах об агентах много говорят про поиск: эмбеддинги, графы кода, карты репозитория. В этих семи кодовых базах код, решающий, что модель прочитает, невелик. Код, решающий, что она забудет, огромен.

В каждом разделе названы файлы, так что разбор можно проверить самому.

Семь репозиториев

Это агентские репозитории, которые у нас в repowise уже проиндексированы. Они бывают трёх видов.

Полноценные обвязки. Обвязка (по-английски harness) крутит цикл агента: отправляет сообщения модели, выполняет запрошенные ею инструменты, возвращает результаты и так по кругу.

  • pi (earendil-works/pi): CLI для программирования и библиотеки под ним (слой API к LLM, цикл агента, терминальный UI).
  • DeepSeek Harness (deepseek-ai/deepseek-harness): обвязка, в которой любая функция оформлена плагином на фреймворке Cordis.

Универсальные ассистенты, которые заодно пишут код. Персональные агенты: подключаются к мессенджерам, выполняют задачи по расписанию, ходят в браузер. Программирование для них лишь одна из задач.

Надстройки над чужим агентом.

  • OmO (code-yeongyu/oh-my-openagent): плагины и агенты для OpenCode и Codex, а с версии 5.0 ещё и собственный CLI на «senpi», который README называет форком pi.
  • free-claude-code (alishahryar1/free-claude-code): прокси между агентом (Claude Code, Codex, pi и ещё восемь) и провайдером модели, перенаправляющий запросы на другие модели.
  • Публичный репозиторий Claude Code (anthropics/claude-code): ядра агента в нём нет. Есть 13 плагинов, примеры и исходники четырёх встроенных «модов», то есть плагинов, которые подписываются на события движка. Про Claude Code мы можем рассказать только то, что он открывает наружу.

Codex CLI, Gemini CLI, OpenCode, Aider, Cline и OpenHands в статью не попали: мы их не индексировали, а пишем только о коде, который читали.

Семь репозиториев рядом

РепозиторийЧто этоФайловСтрок кодаЧем ищет кодКак ужимает контекст
piОбвязка для кода2 010379 тыс.read, bash; grep, find, ls опциональноПересказ, когда остаётся меньше 16 384 токенов; хранит последние 20 000
DeepSeek HarnessОбвязка на плагинах12 578899 тыс.read, glob, grep, bash; LSP-инструмент опциональноПересказ на 80 % окна; оставляет 16 %
OpenClawАссистент19 3614,36 млнread, ls, shell (ripgrep, fd)Лимит на вывод инструментов, очистка старых результатов, пересказ
Hermes AgentАссистент8 7582,12 млнread_file, search_files (ripgrep), terminalПересказ более дешёвой моделью: на 50 % окна, если оно от 512 тыс. токенов, иначе на 75 %
OmOНадстройка5 591591 тыс.Инструменты основного агента плюс серверы LSP и ast-grepСжатие основного агента; замороженный блок памяти
free-claude-codeПрокси744168 тыс.Не его задачаЧасть служебных запросов отвечает сам; опциональный фильтр вывода
Claude Code (публичный репозиторий)Плагины и моды1 12426 тыс.Не в этом репозиторииНе в этом репозитории

Scroll the table sideways to see every column.

Файлы и строки (непустые, без комментариев) взяты из последнего индекса каждого проекта, снятого между 26 июня и 30 сентября 2026 года. Разброс размеров показывает, во что вырастает открытый агент, когда ему приходится общаться с мессенджерами, браузерами, планировщиками и десятками провайдеров моделей: OpenClaw примерно в 167 раз больше публичного репозитория Claude Code, а часть, которая пишет код, занимает в нём небольшой угол.

Как агенты для кода ищут код?

Они дают модели тот же набор, что есть у человека в терминале: прочитать файл, посмотреть каталог, поискать по содержимому, выполнить команду в шелле. Так работают все репозитории с собственным циклом агента, а вместе с ними OmO.

  • pi по умолчанию включает четыре инструмента: read, bash, edit и write. grep, find и ls лежат в packages/coding-agent/src/core/tools/ и включаются отдельно. Системный промпт по умолчанию в system-prompt.ts перечисляет [read, bash, edit, write], так что искать модель должна через шелл.
  • DeepSeek Harness держит read, write и edit в пакете tool-fs, а glob и grep в tool-fs-search. Есть и пакет tool-lsp: через языковой сервер модель может перейти к определению или найти ссылки (тот же механизм, что у «go to definition» в редакторе). README советует использовать его, «когда текстовый поиск неоднозначен», а «обычная навигация по-прежнему идёт через search и read». В стандартный набор пакет не входит.
  • OpenClaw собирает файловые инструменты в src/agents/core-coding-tools.ts: read, ls, edit, write, apply_patch и шелл. Отдельного grep-инструмента в основном раннере мы не нашли. src/agents/utils/tools-manager.ts скачивает зафиксированные версии ripgrep и fd, так что поиск идёт через шелл.
  • Hermes Agent даёт search_files на ripgrep в tools/file_operations_search.py рядом с read_file и terminal.
  • OmO надстраивает структуру над агентом, внутри которого работает: общий демон языкового сервера (packages/lsp-daemon), инструменты LSP и ast-grep в виде MCP-серверов и правки «hashline», где модель указывает на строку коротким хешем её содержимого вместо номера. Его плагин для Codex когда-то запускал фоновый индекс CodeGraph при старте сессии; сейчас этого компонента нет, а миграция конфига удаляет старую настройку codegraph как устаревшую.

Это осознанная ставка: модели научились хорошо работать с grep, результат grep всегда свежий, а индекс может устареть или сломаться на машине пользователя. Чтобы найти функцию по имени, grep достаточно. С вопросами вроде «что сломается, если я это поменяю» иначе: ответ размазан по файлам, которые друг друга по имени не упоминают. Тут помогает граф, и к нему мы вернёмся ниже.

Как агенты собирают системный промпт?

Каждый агент загружает файл инструкций проекта ещё до первого сообщения пользователя. resource-loader.ts в pi ищет AGENTS.override.md, AGENTS.md и CLAUDE.md. В DeepSeek Harness есть плагин agent-instructions, который загружает AGENTS.md или CLAUDE.md и перечитывает их после правки файла агентом. У OmO для вложенных файлов инструкций есть agents-md-core и пакет rules-engine. В публичном репозитории Claude Code лежит исходник мода agents-md: он передаёт движку файлы AGENTS.md так же, как CLAUDE.md, и подключает вложенные, когда модель читает файл в этой папке.

Две детали выделяются.

DeepSeek Harness кладёт инструкции в историю сессии

README пакета context говорит, что подмешанные инструкции и ссылки «попадают в историю сессии как сообщения с ролью user, поэтому сохраняются, воспроизводятся и сжимаются как обычная переписка». Правка AGENTS.md посреди сессии не переписывает системный промпт.

Hermes Agent и OmO замораживают память на старте сессии

Hermes ведёт два файла памяти: MEMORY.md (заметки агента) и USER.md (профиль пользователя). Докстринг в tools/memory_tool.py говорит, что оба попадают в системный промпт «как ЗАМОРОЖЕННЫЙ снимок на старте сессии; записи во время сессии уходят на диск, но промпт не меняют». В changelog OmO описано то же исправление: коммит памяти во время сессии больше не переписывает её системный промпт.

Обе команды защищают кэш промпта. Провайдеры берут меньше денег за начало промпта, которое уже видели, а стоит поменять один байт в начале, и кэш теряется целиком. Удивительно много кода существует только ради того, чтобы начало промпта не менялось ни на байт.

Как агенты обрезают контекстное окно?

Контекст держат в рамках двумя способами: ограничивают каждый результат инструмента при поступлении и сжимают историю (compaction), заменяя старые ходы пересказом от модели, когда разговор подбирается к пределу. Именно на это уходит основная часть кода про контекст.

РепозиторийЛимит на один результатКогда сжимаетЧто оставляет
pi2 000 строк или 50 КБ; строки grep режутся на 500 символахОсталось меньше 16 384 токеновПоследние ~20 000 токенов
OpenClawПо умолчанию 16 000 символов, 32 000 для окон больше 100 тыс. токенов, 64 000 больше 200 тыс.; вывод инструментов не больше 30 % окнаРезерв не больше 25 % окна; до 3 повторов при переполненииУмолчания ядра агента: резерв 16 384, последние 20 000 токенов
Hermes Agentread_file 100 000 символов50 % окна, если оно от 512 тыс. токенов; иначе 75 %Первые 3 и последние 20 сообщений; середина пересказывается
DeepSeek HarnessСначала вычищаются слишком большие результаты; опционально «сброс» на диск80 % окнаОколо 16 % окна

Scroll the table sideways to see every column.

Hermes Agent сжимает раньше большинства

По умолчанию он пересказывает историю на 50 % окна, если у модели окно от 512 тыс. токенов, и на 75 %, если окно меньше. Комментарий в коде объясняет нижнюю границу: на маленьком окне сжатие на 50 % освобождает так мало места, что срабатывало бы каждые один-два хода. На большом окне это намного раньше, чем у DeepSeek Harness (80 %) или pi (он ждёт, пока свободными останутся 16 384 токена, то есть примерно 97 % окна в 512 тыс.). Пересказ Hermes делает отдельной, более дешёвой «вспомогательной» моделью и перед этим вычищает большие выводы инструментов (agent/context_compressor.py). Цена раннего сжатия: вызовы пересказа чаще. Выигрыш: модель редко работает с почти полным окном. Для ассистента, у которого сессии тянутся днями, это разумный размен.

DeepSeek Harness ждёт, а потом сбрасывает

Он сжимает на 80 % и оставляет около 16 %. Пакеты spill умеют и вовсе вынести большой результат из контекста: полный текст уходит в файл, а модель получает короткую ссылку и инструкцию, как дочитать. Так же поступает человек, который сохраняет длинный лог в файл вместо вставки в чат.

OpenClaw очищает старые результаты инструментов

Кроме лимита на каждый результат, src/agents/embedded-agent-runner/tool-result-truncation.ts заменяет вывод, переживший окно кэша промпта, на [Old tool result content cleared], а старые картинки на [image removed during context pruning]. Модель помнит, что вызывала инструмент, но самих данных не видит.

У pi сжатие короткое

Вся логика сжатия pi лежит в packages/coding-agent/src/core/compaction/compaction.ts: сжимать, когда до предела меньше 16 384 токенов, оставлять последние ~20 000 токенов, всё до них пересказывать. Из четырёх реализаций эту проще всего прочитать за один присест.

free-claude-code сокращает число запросов к модели

Это прокси, и репозитория он не видит. Зато src/free_claude_code/api/optimization_handlers.py локально, без вызова модели, отвечает на пять видов служебных запросов Claude Code: проверку квоты, определение префикса команды, генерацию заголовка, подсказки и извлечение путей к файлам. README описывает и опциональный фильтр, который укорачивает вывод терминала до того, как его увидит модель.

На каком агенте строятся остальные? На pi

pi, один из самых небольших репозиториев набора (379 тыс. строк), обнаруживается внутри трёх других.

  • OpenClaw зависит от @earendil-works/pi-tui в package.json. В его packages/agent-core те же имена файлов сжатия, что у pi (compaction.ts, branch-summarization.ts), и те же умолчания: резерв 16 384 токена и 20 000 последних. В truncate.ts точные лимиты pi (2 000 строк, 50 КБ, 500 символов на строку grep), а зарезервированные имена инструментов bash, edit, find, grep, ls, read, write совпадают со списком pi. Код показывает, что ядро агента OpenClaw разделяет с pi устройство и числа; история этого в репозитории не видна.
  • OmO пишет в README, что версия 5 «работает на senpi, нашем форке pi».
  • DeepSeek Harness содержит пакет dsh-llm-pi-ai, адаптер библиотеки моделей pi. Описание называет его «двойником для проверки дизайна» основного адаптера DeepSeek, так что путём по умолчанию он не является.

Если хотите понять по исходникам, как устроен цикл агента для кода, начните с pi: его можно прочитать целиком, а более крупные агенты повторяют его решения.

Что стало с гигантскими функциями цикла агента?

Циклы агентов вырастают в очень большие функции, и две самые длинные в наборе с тех пор разбили. Когда мы индексировали репозитории, run_conversation в agent/conversation_loop.py у Hermes Agent занимала 6 591 строку (индекс от 19 августа), а runEmbeddedAttempt в src/agents/embedded-agent-runner/run/attempt.ts у OpenClaw 4 972 строки (индекс от 26 июня). Цикл пишут первым, и в него попадает каждое правило повтора, каждая причуда провайдера и каждый путь восстановления, поэтому он быстро разрастается.

Обе команды с тех пор провели рефакторинг. На 6 октября conversation_loop.py у Hermes занимает 1 835 строк (на момент индекса было 8 298), а run_conversation стала короткой обёрткой над _run_conversation_turn. attempt.ts у OpenClaw сократился до 567 строк (было 5 808), а папка run/ рядом выросла с 65 до 173 файлов без тестов, с именами вроде attempt-prompt-build.ts, attempt-history-prepare.ts и attempt-tool-search-executor.ts.

Чего не покажет grep? Где место repowise

Раскрытие: repowise делаем мы. Grep отвечает на вопрос «где встречается это имя». На вопросы «что от этого зависит» и «почему это так устроено» он не отвечает. Для них нужны граф зависимостей и история, и агент может получить их по MCP, стандартному способу вызова внешних инструментов, не отказываясь от своего цикла на grep.

repowise индексирует граф зависимостей, историю git и решения репозитория и отдаёт их через ten MCP-инструментов. Четыре группы напрямую закрывают эти пробелы:

Вопрос, на который grep не ответитMCP-инструмент repowise
Где определён символ и кто его вызывает?get_context с include=["references"], get_symbol
Найти имя или понятие по всему репозиториюsearch_codebase
Как устроена эта часть, одним ответом со ссылками?get_answer
Чем рискованно изменение? Почему это сделано так?get_risk, get_change_risk, get_why

Scroll the table sideways to see every column.

Инструменты возвращают компактные ответы со ссылками, поэтому один вызов может заменить несколько grep и чтений файлов, и результатов, которые борются за окно, становится меньше. Настройка: repowise init регистрирует сервер в Claude Code, а repowise mcp запускает его для других клиентов. См. справочник по MCP-инструментам, страницу ai-context и страницы архитектуры перечисленных репозиториев.

Как мы считали

  • Репозитории: семь агентских репозиториев, уже проиндексированных в repowise. Под эту статью мы ничего не индексировали.
  • Числа: файлы, строки кода и самые длинные функции взяты из последнего готового снимка каждого репозитория, прочитанного 6 октября 2026 года. Даты снимков: pi 30 сентября, DeepSeek Harness 28 сентября, Claude Code 27 сентября, free-claude-code 19 сентября, Hermes Agent 19 августа, OmO 17 июля, OpenClaw 26 июня.
  • Чтение кода: неглубокие клоны ветки по умолчанию каждого репозитория на 6 октября 2026 года, плюс файлы на проиндексированных коммитах для сравнений «до и после». Каждый путь к файлу в статье взят из этих клонов.
  • Границы: мы читали код и не гоняли бенчмарки, так что статья не отвечает, что лучше: раннее или позднее сжатие. Умолчания указаны как в поставке; пользователи и некоторые репозитории меняют их по моделям.

Если вы сопровождаете один из этих репозиториев и нашли ошибку, напишите нам, мы исправим.

Частые вопросы

Используют ли ИИ-агенты для кода индекс или эмбеддинги?
По умолчанию нет. Во всех семи прочитанных нами открытых агентах код ищут через grep, find и read. OmO когда-то запускал фоновый индекс в плагине для Codex и затем убрал его, а DeepSeek Harness предлагает опциональный инструмент на языковом сервере.
Когда агенты сжимают контекстное окно?
По-разному. Hermes Agent пересказывает историю на 50 % окна у моделей с окном от 512 тыс. токенов и на 75 % у остальных, DeepSeek Harness на 80 %, pi когда остаётся меньше 16 384 токенов.
Что такое сжатие контекста?
Сжатие (compaction) заменяет старые ходы разговора пересказом, который пишет модель, чтобы сессия продолжалась после заполнения окна. Обычно агент оставляет последние ходы дословно и ограничивает каждый результат инструмента до попадания в историю.
Зачем агентам неизменное начало промпта?
Провайдеры кэшируют префикс промпта и берут за кэшированные токены меньше, но любое изменение вверху обнуляет кэш. Поэтому Hermes Agent и OmO замораживают память на старте сессии.
Можно ли добавить граф кода агенту, который работает на grep?
Да. Любой агент с поддержкой MCP может вызывать сервер вроде repowise рядом со своими обычными инструментами и использовать его для вызовов, радиуса влияния и истории, пока grep занимается поиском по имени.

Проиндексируйте свой репозиторий бесплатно