JioHotstar 近期针对 AI 编程智能体的代码检索环节开展了一项基准测试，评估了六种不同方法，测试工具包括 SWE、CodeScale Bench 以及一套内部问答测试框架。测试结果显示，不同检索策略在准确性、Token 消耗和工具设计上各有取舍，需要根据任务类型匹配相应的检索工具。
具体而言，结构搜索在需求明确、目标具体的编码任务中表现较好，能够快速定位相关代码片段；而语义检索则在需求描述模糊、上下文不完整的场景中更具优势，帮助智能体理解意图并找到潜在相关的实现。研究指出，两类方法并非互相替代，而是适用于不同任务特征。
随着 AI 编程智能体在企业开发流程中的渗透，代码检索的质量直接影响智能体生成代码的准确率和效率。检索环节若不能精准定位代码库中的相关上下文，智能体容易产生幻觉或重复实现已有功能。此次测试覆盖了准确性、Token 使用量和工具设计三个维度，为智能体开发者选择检索方案提供了参考依据。
JioHotstar 是 Disney+ Hotstar 与 JioCinema 合并后成立的流媒体平台，其工程团队在大规模代码库和内容推荐系统方面有较多实践。此次基准测试的结论对构建企业级 AI 编程工具的团队具有参考价值：在实际部署中，需要根据任务类型组合使用结构搜索与语义检索，而非依赖单一方案。
从行业角度看，AI 编程智能体的竞争正从模型能力向工程化细节延伸，代码检索、上下文管理和工具调用等环节逐渐成为决定产品体验的关键因素。如何在准确性、成本与响应速度之间取得平衡，仍是智能体工具设计需要持续优化的方向。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
