代码智能体该用Diff还是整文重写？任务局部性路由策略解析

一个反直觉的发现

在代码编辑智能体（Code Editing Agent）的设计中，一个长期被默认接受的假设正在受到挑战：让模型生成 diff（差分补丁）一定比让它重写整个文件更高效、更可靠。

然而，一篇聚焦于 Flutter/Dart 任务的研究给出了截然不同的结论——在这类任务中，完整文件生成（full-file generation）的表现反而超过了迭代式的 diff 编辑。这个发现与工程直觉相悖，毕竟差分编辑一直被视为节省 token、降低出错概率的最佳实践。

但真正有价值的结论并不是「放弃 diff」，而是提出了一个更精细的工程原则：根据任务的局部性（task locality）来路由不同的编辑策略。

差分编辑的核心逻辑是让模型只输出「需要改动的部分」，从而减少生成量、避免重复输出无关代码。理论上非常优雅，但实践中暗藏几个陷阱：

研究选择 Flutter/Dart 作为测试场景并非偶然。Flutter 的 UI 代码往往是高度嵌套、结构紧密耦合的 widget 树，一个视觉或逻辑上的改动常常牵一发而动全身。

在这种「分散式改动」的任务中，diff 编辑需要在多个嵌套层级中精确定位，出错概率显著上升。而整文件重写虽然生成量更大，却能让模型在完整上下文中一次性保证结构的一致性，反而更可靠。

这篇论文最实用的启示，是把「diff vs 整文重写」从一个非此即彼的选择，转变为一个动态路由决策。

任务局部性描述的是：一次改动的影响范围在代码中是集中还是分散。

高局部性任务：改动集中在少数几个连续位置，例如修复一个明确的 bug、调整某个常量、修改一行日志输出。这类任务用 diff 最合适——精准、省 token、易于审查。
低局部性任务：改动分散在文件多处，或需要理解整体结构才能保证正确性，例如重构、UI 结构调整、跨函数的逻辑变更。这类任务更适合整文件重写。

与其为代码智能体固定一种编辑模式，不如让它在动手前先评估任务的局部性，再选择最合适的编辑策略：

这种混合策略既保留了 diff 的效率优势，又用整文重写兜底了复杂改动的可靠性，是一种典型的「因地制宜」工程思路。

当前主流的 AI 编程助手（如各类 Copilot、Cursor 类工具）大多在 diff 与整文之间做了固定选择，或依赖简单的启发式规则。这项研究提示我们，编辑策略本身应当成为一个可优化、可路由的决策层。

对于工具开发者而言，这意味着：

「diff 还是整文重写」这个看似技术细节的问题，实际上折射出代码智能体设计中的一个深层原则：没有放之四海皆准的最优策略，只有与任务特征匹配的动态选择。

这篇论文的贡献不在于宣判某一方胜出，而在于提供了一个更成熟的思考框架——用任务局部性作为路由信号，让智能体在效率与可靠性之间做出智能权衡。对于正在构建下一代编程智能体的团队来说，这或许是一个值得写进架构设计的关键决策点。