70% fewer tokens per task is the first win. Compounding shared context is the real one with OriginTrail and Graphify.
ทุกงานจ่ายภาษีบริบทเท่ากัน ผู้ช่วยจะอ่านไฟล์เดิมซ้ำ สร้างสถาปัตยกรรมเดิมขึ้นมาใหม่ ค้นพบตัวเลือก dependency เดิมอีกครั้ง และอธิบายการตัดสินใจที่เอเจนต์ตัวอื่น หรือทีมเดียวกันเมื่อวานนี้ เข้าใจแล้ว
โมเดลแบบนั้นไม่สามารถขยายขนาดไปสู่การพัฒนาซอฟต์แวร์แบบหลายเอเจนต์ได้จริง
ถ้าเอเจนต์เขียนโค้ดทุกตัวเริ่มจากศูนย์ การเพิ่มเอเจนต์มากขึ้นจะทวีคูณกิจกรรม แต่ไม่เพิ่มความเข้าใจร่วมกัน คุณจะได้การทำงานแบบขนานโดยไม่มีสติปัญญาที่สะสมไว้
คอขวดไม่ใช่ว่าเอเจนต์เขียนโค้ดได้หรือไม่อีกต่อไป แต่เป็นว่าบริบทของพวกมันจะทบต้นหรือไม่
นั่นคือสิ่งที่เปลี่ยนแปลงไปเมื่อใช้ Graphify บน @origin_trail DKG v10
Graphify เปลี่ยนโค้ดเบสให้เป็นกราฟความรู้ที่สืบค้นได้
Graphify ไม่ใช่เอเจนต์เขียนโค้ดตัวใหม่ มันคือเลเยอร์กราฟความรู้ของโค้ดเบสสำหรับเอเจนต์เขียนโค้ดและนักพัฒนามนุษย์
พิมพ์ /graphify ใน Claude Code, Codex, Cursor, OpenClaw, Hermes, Copilot หรือสภาพแวดล้อมอื่นๆ ที่รองรับ แล้ว Graphify จะแมปโปรเจกต์ออกเป็นผลลัพธ์ที่มีโครงสร้างสามอย่าง:
- graph.html — กราฟแบบโต้ตอบ
- GRAPH_REPORT.md — รายงานสถาปัตยกรรมที่มนุษย์อ่านได้
- graph.json — กราฟที่สืบค้นได้สำหรับผู้ช่วยและเอเจนต์
กราฟนั้นครอบคลุมโค้ด เอกสาร PDF รูปภาพ และวิดีโอ มันบันทึกความสัมพันธ์การเรียกใช้ การนำเข้า ความคิดเห็น เหตุผล และความเชื่อมโยงที่น่าแปลกใจ — แต่ละรายการติดป้ายระดับความเชื่อมั่น เช่น EXTRACTED, INFERRED หรือ AMBIGUOUS
ตอนนี้ Graphify กำลังเชื่อมต่อกับ Decentralized Knowledge Graph v10 ของ OriginTrail
แทนที่บริบทของโปรเจกต์จะอยู่แค่ในไฟล์ท้องถิ่นหรือเซสชันผู้ช่วยชั่วคราว ความรู้ที่สร้างโดย Graphify สามารถกลายเป็นส่วนหนึ่งของกราฟบริบทที่ใช้ร่วมกันและตรวจสอบได้
Graphify มอบแผนที่ของโค้ดเบสให้เอเจนต์ DKG v10 มอบหน่วยความจำร่วมและที่มาให้กับแผนที่นั้น
จากบริบทส่วนตัวสู่กราฟบริบทที่ใช้ร่วมกัน
สิ่งนี้เชื่อมโยงโดยตรงกับแนวคิดที่ผมเพิ่งอธิบายไป: การเปลี่ยนแปลงครั้งถัดไปของ AI เอเจนต์ไม่ใช่หน่วยความจำที่ใหญ่ขึ้น แต่เป็นบริบทที่มีโครงสร้างและใช้ร่วมกัน ซึ่งเอเจนต์สามารถใช้เหตุผลร่วมกันได้
ทิศทางเดียวกันปรากฏในบทความล่าสุดของเราเกี่ยวกับหน่วยความจำร่วม: สมองที่สองช่วยให้คนคนหนึ่งจำได้; กราฟบริบทที่ใช้ร่วมกันช่วยให้คนและเอเจนต์จำนวนมากเข้าใจความจริงเดียวกัน
Graphify นำแนวคิดนั้นมาสู่การพัฒนาซอฟต์แวร์
พื้นที่เก็บข้อมูล (Repository) ไม่ใช่แค่โฟลเดอร์ที่เก็บไฟล์ มันคือระบบที่มีชีวิตของโมดูล การพึ่งพา การตัดสินใจ ข้อแลกเปลี่ยน คำถามที่ยังเปิดอยู่ PR ข้อบกพร่อง การรีวิว และประวัติ บริบทส่วนใหญ่กระจายอยู่ทั่วไป
Graphify ทำให้มันมีโครงสร้าง DKG v10 ทำให้มันใช้ร่วมกัน คงอยู่ และตรวจสอบได้
อนาคตไม่ใช่เอเจนต์ที่มีพรอมต์ใหญ่ขึ้น แต่มันคือเอเจนต์ที่ทำงานจากกราฟบริบทที่ใช้ร่วมกัน
ทำไมถึงประหยัดโทเค็นได้ ~70% ต่องาน
ในการใช้งานตามเกณฑ์มาตรฐานที่วัดผล Graphify กับ DKG v10 ส่งผลให้ใช้โทเค็นน้อยลงประมาณ 70% ต่องาน
ตัวเลขนั้นเป็นผลลัพธ์จากเกณฑ์มาตรฐาน ไม่ใช่การรับประกันสากล พื้นที่เก็บข้อมูล งาน และขั้นตอนการทำงานที่แตกต่างกันจะให้ผลต่างกัน แต่กลไกนั้นเรียบง่าย
ผู้ช่วยเขียนโค้ดส่วนใหญ่เผาโทเค็นด้วยการโหลดโลกซ้ำ: โครงสร้างพื้นที่เก็บข้อมูล ไฟล์ที่เกี่ยวข้อง บทสรุปก่อนหน้า บันทึกสถาปัตยกรรม ประวัติปัญหา ความคิดเห็นในโค้ด และเหตุผลก่อนหน้า พวกมันใช้การค้นหาข้อความ การใช้เครื่องมือแบบ "grep" แบบเดิม เพื่อค้นหาสิ่งที่ต้องการ ทำให้เผาโทเค็นจำนวนมากโดยไม่จำเป็น Graphify เปลี่ยนรูปแบบการเข้าถึงโดยใช้กราฟ
แทนที่จะยัดเยียดบริบทที่กว้างเข้าไปในพรอมต์ ผู้ช่วยจะสอบถามกราฟโค้ดโดยตรง:
- โมดูลที่เกี่ยวข้อง
- เส้นทางที่สั้นที่สุดระหว่างสองแนวคิด
- ความสัมพันธ์ของการพึ่งพา
- ส่วนของโฟลว์การเรียก
- เหตุผลที่เชื่อมโยงกับไฟล์
- บันทึกสถาปัตยกรรมก่อนหน้า
บริบทที่ไม่เกี่ยวข้องที่ถูกโหลดน้อยลงหมายถึงการใช้โทเค็นน้อยลง โทเค็นน้อยลงหมายถึงต้นทุนที่ต่ำลง การทำงานที่เร็วขึ้น และสัญญาณรบกวนที่โมเดลต้องใช้ในการใช้เหตุผลน้อยลง
แต่ประโยชน์ที่ลึกซึ้งกว่าคือความแม่นยำ Graphify ช่วยให้เอเจนต์ขอบริบทที่ถูกต้อง แทนที่จะจมอยู่กับบริบททั้งหมด
การลดลง 70% ของโทเค็นคือสิ่งที่เกิดขึ้นเมื่อเอเจนต์หยุดอ่านพื้นที่เก็บข้อมูลซ้ำแล้วเริ่มสอบถามกราฟ
กราฟทุกอันกลายเป็นหน่วยความจำทีมที่ใช้ซ้ำได้
คุณค่าเชิงกลยุทธ์ไม่ใช่แค่การประหยัดโทเค็น แต่คือการทบต้น
Graphify สนับสนุนให้ทีม commit ไดเรกทอรี graphify-out/ เพื่อให้ทุกคนเริ่มจากแผนที่ร่วมของโปรเจกต์ DKG v10 ขยายตรรกะนั้นจากสิ่งประดิษฐ์ในพื้นที่เก็บข้อมูลท้องถิ่นไปสู่เลเยอร์ความรู้ที่ใช้ร่วมกัน
การตรวจสอบโค้ดกลายเป็นมากกว่าเธรดความคิดเห็น — มันกลายเป็นบริบทความเสี่ยงที่ใช้ซ้ำได้
การตัดสินใจทางสถาปัตยกรรมกลายเป็นมากกว่าข้อความใน Slack — มันกลายเป็นโหนดที่เชื่อมต่อกับไฟล์ โมดูล การพึ่งพา และเหตุผล
การสอบสวนข้อบกพร่องกลายเป็นมากกว่าปัญหาที่ปิดไปแล้ว — มันกลายเป็นแบบอย่างสำหรับเอเจนต์ตัวถัดไปที่ดีบักความล้มเหลวที่คล้ายกัน
การสอบถาม Graphify กลายเป็นมากกว่าคำตอบครั้งเดียว — มันกลายเป็นส่วนหนึ่งของความทรงจำที่กำลังพัฒนาของโปรเจกต์
ผู้ช่วยคนถัดไปไม่เริ่มจากศูนย์ ผู้ตรวจสอบมนุษย์คนถัดไปไม่ต้องค้นพบเจตนาการออกแบบอีกครั้ง ผู้มีส่วนร่วมคนถัดไปไม่ต้องทำงานรวบรวมบริบทซ้ำอีก
ทุกเซสชันที่มีประโยชน์ทำให้เซสชันถัดไปถูกลง เร็วขึ้น และมีข้อมูลดีขึ้น
เอเจนต์และมนุษย์ใช้ซับสเตรตเดียวกัน
ทีมพัฒนาซอฟต์แวร์มีระบบหน่วยความจำบางส่วนมากมายอยู่แล้ว Git เก็บการเปลี่ยนแปลง Issues เก็บงาน เอกสารเก็บเจตนา บางครั้ง แชทเก็บการตัดสินใจ ถ้าหาได้ CI เก็บผ่าน/ไม่ผ่าน เครื่องมือตรวจสอบโค้ดเก็บความคิดเห็น
ระบบเหล่านี้กระจัดกระจาย เอเจนต์ต้องคลานข้ามไปมา สรุปมัน และหวังว่าชิ้นส่วนที่ถูกต้องจะพอดีกับหน้าต่างบริบท
Graphify บน DKG v10 สร้างซับสเตรตที่ใช้ร่วมกัน ซึ่งเอเจนต์และมนุษย์ทำงานจากบริบทที่มีโครงสร้างเดียวกัน
ผู้ช่วยตัวหนึ่งสามารถสอบถามกราฟการเรียกใช้ อีกตัวสามารถตรวจสอบโมดูลที่ได้รับผลกระทบ อีกตัวสามารถตรวจสอบความเสี่ยงของการพึ่งพา มนุษย์สามารถเปิดรายงานกราฟและตรวจสอบร่องรอยการใช้เหตุผล ทีมจะรักษาสิ่งที่เรียนรู้ไว้ แทนที่จะสูญเสียมันเมื่อเซสชันสิ้นสุด
นี่คือจุดที่การเขียนโค้ดแบบหลายเอเจนต์กลายเป็นมากกว่าการพรอมต์แบบขนาน มันกลายเป็นการประสานงานผ่านหน่วยความจำซอฟต์แวร์ที่ใช้ร่วมกันและเชื่อถือได้
อนาคตของการเขียนโค้ดไม่ใช่เอเจนต์ยักษ์ตัวเดียว แต่มันคือเอเจนต์จำนวนมากและมนุษย์ที่ทำงานจากบริบทที่ตรวจสอบได้เดียวกัน
ทำไมการกระจายศูนย์จึงสำคัญ
ถ้าหน่วยความจำซอฟต์แวร์กลายเป็นโครงสร้างพื้นฐานที่สำคัญ มันไม่ควรถูกกักขังไว้ในผู้ขายรายเดียว
ทีมต้องการความรู้ของโปรเจกต์ที่สามารถเป็นเจ้าของ พกพา รู้ที่มา และใช้งานได้ข้ามเฟรมเวิร์กเอเจนต์ นั่นคือเหตุผลที่ DKG v10 มีความสำคัญ
Decentralized Knowledge Graph ของ OriginTrail มอบรากฐานสำหรับกราฟบริบทที่ใช้ร่วมกัน ด้วยหน่วยความจำที่มีโครงสร้าง ที่มา และสินทรัพย์ความรู้ที่ตรวจสอบได้ บริบทสามารถเคลื่อนย้ายข้ามเครื่องมือ ผู้ช่วย ทีม และขั้นตอนการทำงาน โดยไม่สูญเสียแหล่งที่มาหรือความหมาย
โมเดลหน่วยความจำของ DKG ยังทำให้การทำงานร่วมกันของเอเจนต์มีโครงสร้างความไว้วางใจ:
- Working Memory รองรับการสำรวจในพื้นที่
- Shared Memory เปิดเผยบริบทระดับทีม
- Verifiable Memory เก็บรักษาความรู้ที่แข็งแกร่งและตรวจสอบแล้ว
เอเจนต์สามารถใช้เหตุผลไม่เพียงแต่เหนือสิ่งที่พบ แต่ยังรวมถึงว่ามันมาจากไหน ใครเป็นผู้มีส่วนร่วม และได้รับความไว้วางใจมากแค่ไหน
TRAC สนับสนุนระบบนิเวศ OriginTrail ที่อยู่เบื้องหลังโครงสร้างพื้นฐานนี้ ทำให้สามารถสร้าง แบ่งปัน รักษาความปลอดภัย และใช้ความรู้ซ้ำในระบบกระจายศูนย์
เอเจนต์ AI ที่เชื่อถือได้ต้องการมากกว่าแค่การเข้าถึงไฟล์ พวกเขาต้องการบริบทที่ใช้ร่วมกันพร้อมที่มา
จากแผนที่โค้ดสู่สติปัญญาซอฟต์แวร์ส่วนรวม
คลื่นลูกแรกของเอเจนต์เขียนโค้ดพิสูจน์ว่า LLM สามารถเขียนโค้ดที่มีประโยชน์ได้ คลื่นลูกถัดไปคือเรื่องของการประสานงาน
Graphify แมปโค้ดเบส DKG v10 เปลี่ยนแผนที่นั้นให้เป็นหน่วยความจำที่ใช้ร่วมกันและตรวจสอบได้ เอเจนต์และมนุษย์สร้างต่อจากบริบทเดียวกัน แทนที่จะสร้างมันขึ้นมาใหม่ซ้ำแล้วซ้ำเล่า
นั่นคือการเปลี่ยนแปลงจากความช่วยเหลือแบบแยกส่วนไปสู่สติปัญญาซอฟต์แวร์ส่วนรวม
ประโยชน์ทันทีคือในทางปฏิบัติ: ประมาณ 70% โทเค็นน้อยลงต่องานในเกณฑ์มาตรฐานที่วัดผล
ประโยชน์ที่ใหญ่กว่าคือเชิงโครงสร้าง: โค้ดเบสที่ถูกแมปทุกอัน การสอบถามที่มีประโยชน์ทุกครั้ง ร่องรอยการตัดสินใจทุกอัน และข้อมูลเชิงลึกจากการรีวิวทุกอัน กลายเป็นส่วนหนึ่งของกราฟบริบทที่ทบต้น
นั่นคือความแตกต่างระหว่างเอเจนต์ที่ทำงานใกล้กัน กับเอเจนต์ที่เรียนรู้ร่วมกัน
Graphify บน DKG v10 เปลี่ยนบริบทซอฟต์แวร์ให้เป็นโครงสร้างพื้นฐานที่ใช้ร่วมกัน
ลองใช้ Graphify สำรวจ DKG v10 และร่วมสร้างอนาคตที่เอเจนต์ AI และนักพัฒนาทำงานจากความรู้ที่ใช้ร่วมกันและตรวจสอบได้
คุณสามารถขยายความสามารถของ DKG ของ OriginTrail และได้รับรางวัล ไปดูโปรแกรม bounty:
เวอร์ชันใหม่กำลังจะมาเร็วๆ นี้พร้อมของดีมากมาย — ลองใช้งานดู
👉https://github.com/OriginTrail/dkg
เข้าร่วมทีมแดงได้ที่นี่:
