DeepCode: управление информационным потоком для работы с большими документами

LLM работает как канал передачи информации с ограниченной пропускной способностью. Наивный подход "загрузи весь документ + всю историю генерации" создаёт высокую энтропию — модель тратит "внимание" на повторы и нерелевантные участки текста. DeepCode систематически максимизирует отношение сигнал/шум через четыре фазы: (1) Blueprint сжимает 30 страниц исходника до 3 страниц структурированного плана, убирая повествовательный шум; (2) Structured Memory заменяет полную историю генерации компактными саммари каждого шага — вместо 1000 токенов сырого кода добавляется 100-200 токенов интерфейса; (3) Knowledge Injection подгружает внешние знания точечно, только когда нужно; (4) Verification добавляет обратную связь для локальных исправлений без переписывания всего. Принцип работает через параллельный анализ: один агент извлекает концептуальную структуру, второй — все технические детали, потом результаты синтезируются в единый высокоплотный план, где каждый токен несёт критический сигнал.