Qwen Code 改进建议

April 5, 2026 · View on GitHub

核心洞察：大模型代理（AI Agent）在处理任务时，“它以为的世界”和“真实的世界”常常存在偏差。比如，开发者让 Agent“提交代码”，如果 Agent 不知道当前所处的分支，它可能会建议直接 git push origin main 酿成大错。或者开发者让它“清理一下代码”，在拥有 50 万个文件的 Monorepo 中与在只有 10 个文件的微服务中，其搜索策略应该截然不同。Claude Code 在每一轮 API 调用前，都会极速在系统提示中隐式注入当前的 Git 状态、平台信息和仓库规模；而 Qwen Code 目前在此类基础环境感知的自动注入上还比较薄弱，模型常常处于“半盲”状态。

返回 改进建议总览

一、缺失项目级上下文带来的推理偏差

1. Qwen Code 现状：局部的视野

目前，Qwen Code 的 getEnvironmentContext() 主要收集的是操作系统类型（Platform）和当前日期。

  • 痛点一（版本控制盲区）：在 CLI 模式下，大模型不知道当前工作区处于哪个 Git 分支，也不知道是否有未提交的改动（Untracked / Modified files）。当用户发出模糊的指令如“检查我刚刚改过的代码”，Agent 往往需要先耗费一轮去调用 Bash(git status) 才能明白现状。
  • 痛点二（规模认知缺失）：模型不知道自己面对的是多大的代码库。由于缺乏对仓库文件总数的预估，模型在执行 grep 或 glob 时，经常采用极其低效的无限制全盘扫描，导致被大量的编译产物（如 node_modules 或 dist）淹没。

2. Claude Code 解决方案：每轮自动注入的 <system-reminder>

在 Claude Code 的 context.ts 和 utils/api.ts 中，作者构建了一套零开销的上下文雷达。

机制一：极速获取 Git 状态（不 Spawn 进程）

传统的 git status 极慢。Claude 为了在每一轮对话前都更新状态，它放弃了传统的 child_process.spawn('git', ['status'])，而是直接读取硬盘底层的 .git/HEAD 文件和 refs/heads/，瞬间获取当前的分支名。

机制二：文件数粗略估算 (File Count Estimation)

它在启动或切目录时，会快速算一下当前被 Git 追踪的文件数量。为了保护企业代码库的隐私和减小 Prompt 噪音，它不会传输精确的数字，而是巧妙地将其向上取整到 10 的幂次方：

"The user is working in a repository with ~1000 files."

机制三：尾部追加的 System Reminder

这些信息（包括操作系统、当前目录绝对路径、Git 分支、仓库规模）不会被写死在最顶部的 System Prompt 里（那会破坏 Prompt Cache），而是被组装成一段简短的 <system-reminder> 块。 在最终向大模型发送请求前，这段 <system-reminder> 会被追加在所有历史消息的最后、最后一次 User 提问之前。这样能确保大模型在推理时对环境的认知是最强烈且最新的。

二、Qwen Code 的改进路径 (P2 优先级)

让大模型在每一次呼吸间都感知到开发环境的全貌。

阶段 1：开发环境雷达探测器

  1. 新建 packages/core/src/utils/environmentRadar.ts。
  2. 实现纯 Node.js 的文件读取逻辑，解析 .git/HEAD 来极速获取分支名。
  3. （可选）使用前几轮提到的 FNV-1a Hash 或 git ls-files 构建一个带 LRU 缓存的仓库规模估算器。

阶段 2：重构环境上下文的生成

在 packages/core/src/core/client.ts 或对应的上下文聚合层： 构建一段极其凝练的 XML 描述：

<environment_context>
  <os>Linux</os>
  <cwd>/root/my-project</cwd>
  <git_branch>feature/auth-refactor</git_branch>
  <repo_size>~1000 files</repo_size>
</environment_context>

阶段 3：策略性注入 (Append instead of Prepend)

不要将上述 <environment_context> 扔进几万字的静态 System Prompt 中，而是作为最后一条 Message（或者夹在最后一个 User Request 的上方）发给模型。

三、改进收益评估

  • 实现成本：小。读取几个基础变量并修改组装流，代码量在 100 行左右。
  • 直接收益：
    1. 大幅减少冗余探测轮次：大模型无需再自己跑 pwd 或 git status 来认路，首发即精准。
    2. 消除分支操作的危险操作：当大模型清晰知道自己处于 main 分支时，它在执行代码替换或者提交操作时会自觉地多一分谨慎，减少翻车概率。