FastCode: 빠르고 비용 효율적인 코드 이해 및 추론

FastCode: Fast and Cost-Efficient Code Understanding and Reasoning

코드 저장소 수준의 추론은 현대의 AI 기반 소프트웨어 엔지니어링의 핵심으로, 대규모 언어 모델(LLM)이 프로그램 이해부터 복잡한 디버깅에 이르기까지 다양한 복잡한 워크플로우를 처리할 수 있도록 합니다. 그러나 정확성과 컨텍스트 비용의 균형을 맞추는 것은 여전히 중요한 병목 현상이며, 기존의 에이전트 기반 접근 방식은 종종 비효율적인 반복적인 전체 텍스트 탐색을 통해 계산 자원을 낭비합니다. 이러한 문제를 해결하기 위해, 코드 저장소 탐색과 콘텐츠 소비를 분리하는 프레임워크인 FastCode를 소개합니다. FastCode는 구조적 탐색 메커니즘을 사용하여 코드베이스의 경량화된 의미론적-구조적 맵을 탐색하며, 시스템이 전체 텍스트를 가져오지 않고도 종속성을 추적하고 관련 대상을 정확하게 찾아낼 수 있도록 합니다. 구조 정보를 활용하는 탐색 도구를 비용을 고려한 정책으로 규제하여, FastCode는 단일 최적화된 단계로 고부가가치 컨텍스트를 구성합니다. SWE-QA, LongCodeQA, LOC-BENCH, GitTaskBench 벤치마크에 대한 광범위한 평가 결과, FastCode는 추론 정확도 측면에서 최첨단 기준 모델보다 일관되게 우수한 성능을 보이며, 토큰 소비량을 크게 줄여, 대규모 코드 추론을 위한 탐색 우선 전략의 효율성을 입증합니다. 소스 코드는 https://github.com/HKUDS/FastCode 에서 확인할 수 있습니다.

Repository-scale code reasoning is a cornerstone of modern AI-assisted software engineering, enabling Large Language Models (LLMs) to handle complex workflows from program comprehension to complex debugging. However, balancing accuracy with context cost remains a significant bottleneck, as existing agentic approaches often waste computational resources through inefficient, iterative full-text exploration. To address this, we introduce FastCode, a framework that decouples repository exploration from content consumption. FastCode utilizes a structural scouting mechanism to navigate a lightweight semantic-structural map of the codebase, allowing the system to trace dependencies and pinpoint relevant targets without the overhead of full-text ingestion. By leveraging structure-aware navigation tools regulated by a cost-aware policy, the framework constructs high-value contexts in a single, optimized step. Extensive evaluations on the SWE-QA, LongCodeQA, LOC-BENCH, and GitTaskBench benchmarks demonstrate that FastCode consistently outperforms state-of-the-art baselines in reasoning accuracy while significantly reducing token consumption, validating the efficiency of scouting-first strategies for large-scale code reasoning. Source code is available at https://github.com/HKUDS/FastCode.