Zum Hauptinhalt springen

Documentation Index

Fetch the complete documentation index at: https://docs.windsurf.com/llms.txt

Use this file to discover all available pages before exploring further.

Fast Context ist ein spezialisierter Subagent in Windsurf, der relevanten Code aus Ihrer Codebasis bis zu 20‑mal schneller als herkömmliche agentengestützte Suche abrufen kann. Er ermöglicht es Cascade, große Codebasen schnell zu verstehen, ohne dabei die Leistungsfähigkeit moderner AI‑Modelle zu beeinträchtigen.

​
Verwendung von Fast Context

Wenn Cascade eine Anfrage erhält, die eine Codesuche erfordert, wird Fast Context automatisch aktiviert. Sie erkennen, dass Fast Context aktiv ist, wenn:
  • Cascade schnell relevante Dateien in Ihrer Codebasis identifiziert
  • Anfragen für große Codebasen schneller als zuvor abgeschlossen werden
  • Cascade weniger Zeit damit verbringt, irrelevanten Code zu lesen

​
Funktionsweise

Fast Context verwendet SWE-grep und SWE-grep-mini, eigens trainierte Modelle für schnelle Codewiederauffindung. Diese Modelle verbinden die Geschwindigkeit herkömmlicher Embedding-Suchen mit der Intelligenz agentischer Exploration. Wenn Sie in Cascade eine Anfrage stellen, die das Durchsuchen Ihrer Codebasis erfordert, aktiviert sich Fast Context automatisch, um:
  1. Relevante Dateien und Codeausschnitte mithilfe paralleler Tool-Aufrufe zu identifizieren
  2. Mehrere Suchen gleichzeitig auszuführen
  3. Zielgerichtete Ergebnisse in Sekunden statt in Minuten zu liefern
Dieser Ansatz verhindert Kontextverschmutzung und mindert den klassischen Zielkonflikt zwischen Geschwindigkeit und Genauigkeit. Indem die Wiederauffindung an einen spezialisierten Subagenten delegiert wird, spart Cascade Kontextbudget und Rechenintelligenz für die eigentliche Aufgabe.

​
SWE-grep-Modelle

Fast Context wird von der SWE-grep-Modellfamilie betrieben:
  • SWE-grep: Hochintelligente Variante, optimiert für komplexe Retrieval-Aufgaben
  • SWE-grep-mini: Ultraflache Variante mit über 2.800 Tokens pro Sekunde
Beide AI-Modelle wurden mittels Reinforcement Learning trainiert, um bei parallelen Tool-Aufrufen und der effizienten Navigation in Codebasen zu glänzen. Sie führen bis zu 8 parallele Tool-Aufrufe pro Zug über maximal 4 Züge aus, sodass sie gleichzeitig verschiedene Teile Ihrer Codebasis erkunden können. Die Modelle verwenden eine eingeschränkte Auswahl plattformübergreifend kompatibler Tools (grep, read, glob), um konsistente Leistung über unterschiedliche Betriebssysteme und Entwicklungsumgebungen hinweg sicherzustellen.