行锚定反馈削减 AI 代码编辑的 Token 成本并提升正确性

arXiv 一篇论文提出行锚定结构反馈（FileMark，VSCodium 扩展）替代整体提示进行代码编辑。实验显示该方式将生成 token 削减 22%-58%（大文件 24%-80%），同时提升正确性：整体 +2.0 分，本地模型 +5-7 分，大文件正确性近乎翻倍。

此前反馈格式对生成成本影响未被量化。行锚定通过精确定位代码行大幅降低 token 消耗，并显著改善弱模型表现，使低成本本地模型在复杂编辑中更可用。

行锚定提供结构化的行级上下文，让模型输出范围更聚焦，同时由工具而非模型执行补丁应用，减少模型多余生成。这既降低推理成本（token 数），又提升编辑准确率（正确性）。

采用行锚定反馈可显著降低 AI 代码编辑的推理成本（尤其是大文件），并提升本地模型的正确性，可能改变 IDE 中 AI 辅助的实现方式——从全量上下文转为锚定式上下文。

• 在 VSCodium 上集成 FileMark 扩展，实现行锚定反馈以减少 API 调用成本。
• 针对 100 行以上的大文件代码编辑场景，默认采用行锚定提示模板。
• 使用行锚定策略优化本地模型（如 Claude Sonnet）的代码编辑准确率，降低对更强模型的依赖。
• 将行锚定反馈机制作为产品特性，向企业用户宣传其成本节省和正确性提升效果。

• 行锚定反馈在多种编程语言和实际项目中的泛化效果如何？
• 对于更强模型（如 GPT-4）是否也有显著 token 节约？
• 长期使用是否会导致模型过度依赖锚定位置而忽略全局逻辑？
• 行锚定反馈的交互设计（如何让用户方便地标记行）是否存在学习成本？