每个任务减少 70% 的 token 只是第一步。真正的好处在于，借助 OriginTrail 和 Graphify，共享上下文得以不断累积。
每个任务都要支付相同的上下文税。助手反复读取同样的文件、重建同样的架构、重新发现相同的依赖选择，并重新解释那些另一个 Agent（或同一团队昨天）已经理解的决策。
这种模式无法扩展到真正的多 Agent 软件开发。
如果每个编码 Agent 都从零开始，增加更多 Agent 只会增加活动量，而不会提升共享理解。你会得到并行执行，却无法积累智能。
瓶颈不再是 Agent 能否编写代码，而是它们的上下文能否累积。
这正是 Graphify 在 @origin_trail DKG v10 上带来的改变。
Graphify 将代码库转化为可查询的知识图谱
Graphify 不是另一个编码 Agent。它是一个为编码 Agent 和人类开发者打造的代码库知识图谱层。
在 Claude Code、Codex、Cursor、OpenClaw、Hermes、Copilot 或其他支持的环境中输入 /graphify，Graphify 就会将项目映射为三种结构化输出：
- graph.html — 一个交互式图谱
- GRAPH_REPORT.md — 一份人类可读的架构报告
- graph.json — 一个可供助手和 Agent 查询的图谱
该图谱涵盖代码、文档、PDF、图片和视频。它捕捉调用关系、导入、注释、设计思路以及意想不到的关联——每项都带有置信度标签，如 EXTRACTED（已提取）、INFERRED（已推断）或 AMBIGUOUS（不确定）。
现在，Graphify 正在与 OriginTrail 的 Decentralized Knowledge Graph v10 连接。
项目上下文不再仅存在于本地文件或临时助手会话中，Graphify 生成的知识可以成为共享、可验证上下文图谱的一部分。
Graphify 为 Agent 提供代码库地图。DKG v10 为该地图赋予共享记忆和溯源能力。
从私有上下文到共享上下文图谱
这直接联系到我最近提出的观点：AI Agent 的下一个转变不是更大的记忆，而是共享的、结构化的上下文，Agent 能够一起对其进行推理。
同一方向也出现在我们最近关于共享记忆的文章中：第二大脑帮助一个人记住东西；而共享上下文图谱帮助许多人和 Agent 理解同一现实。
Graphify 将这一理念引入软件开发。
一个代码仓库不仅仅是一个文件文件夹。它是一个由模块、依赖、决策、权衡、未决问题、PR、Bug、代码评审和历史组成的活系统。而大部分上下文都是分散的。
Graphify 将其结构化。DKG v10 使其共享、持久且可验证。
未来不是拥有更大提示词的 Agent，而是基于共享上下文图谱工作的 Agent。
为什么每个任务能节省约 70% 的 token
在实测基准测试中，Graphify 结合 DKG v10 在每个任务上节省了大约 70% 的 token。
这个数字是基准测试结果，并非通用保证。不同的仓库、任务和工作流会有所不同。但其机制很简单。
大多数编码助手通过重新加载整个世界来消耗 token：仓库结构、相关文件、之前的摘要、架构说明、问题历史、代码注释、之前的推理。它们使用文本搜索、老式的“grep”等工具来查找所需内容，不必要地消耗大量 token。Graphify 通过图谱改变了访问模式。
助手不再将宽泛的上下文塞入提示词，而是直接查询代码图谱：
- 相关模块
- 两个概念之间的最短路径
- 依赖关系
- 调用流程部分
- 与某个文件关联的设计思路
- 之前的架构说明
加载的无关上下文越少，消耗的 token 就越少。更少的 token 意味着更低的成本、更快的执行速度，以及模型推理时更少的噪音。
但更深层的好处是准确性。Graphify 帮助 Agent 请求正确的上下文，而不是淹没在所有上下文中。
当 Agent 不再反复通读仓库，而是开始查询图谱时，就实现了减少 70% token 的效果。
每个图谱都成为可复用的团队记忆
战略价值不仅仅是节省 token。而是累积效应。
Graphify 已经鼓励团队提交 graphify-out/ 目录，这样每个人都能从项目的共享地图开始。DKG v10 将该逻辑从本地仓库工件扩展到共享知识层。
一次代码评审不再只是一个评论线程——它变成了一个可复用的风险上下文。
一个架构决策不再只是一条 Slack 消息——它变成了一个连接到文件、模块、依赖和设计思路的节点。
一次 Bug 调查不再只是一个已关闭的问题——它变成了下一个调试类似失败的 Agent 的先例。
一次 Graphify 查询不再只是一个一次性的答案——它成为了项目不断演进的记忆的一部分。
下一个助手不会从零开始。下一个人类评审者不需要重新发现设计意图。下一个贡献者不需要重复相同的上下文收集工作。
每一次有用的会话都会让下一次会话更便宜、更快、信息更充分。
Agent 和人类共享同一基础
软件团队已经有了许多零散的记忆系统。Git 记录变更。问题系统记录任务。文档记录意图，有时如此。聊天记录决策，如果能找到的话。CI 记录通过/失败。代码评审工具记录反馈。
这些系统是碎片化的。Agent 必须爬取它们、总结它们，并希望正确的片段能塞进上下文窗口。
Graphify 在 DKG v10 上创建了一个共享基础，Agent 和人类从相同的结构化上下文出发。
一个助手可以查询调用图。另一个可以检查受影响的模块。另一个可以评审依赖风险。人类可以打开图谱报告并检查推理轨迹。团队保存了学到的内容，而不是在会话结束时丢失。
这就是多 Agent 编码超越并行提示的地方。它变成了通过共享、可信的软件记忆进行协调。
编码的未来不是一个巨型 Agent。而是许多 Agent 和人类从相同的已验证上下文出发。
为什么去中心化很重要
如果软件记忆成为关键基础设施，它就不应该被困在某个供应商内部。
团队需要可拥有、可移植、可溯源且跨 Agent 框架可用的项目知识。这就是 DKG v10 重要的原因。
OriginTrail 的去中心化知识图谱（DKG）为共享上下文图谱提供了基础，具有结构化记忆、溯源和可验证的知识资产。上下文可以在工具、助手、团队和工作流之间移动，而不会丢失其来源或含义。
DKG 记忆模型还为 Agent 协作提供了信任结构：
- 工作记忆（Working Memory）支持本地探索
- 共享记忆（Shared Memory）暴露团队级上下文
- 可验证记忆（Verifiable Memory）保存更强、经过验证的知识
Agent 不仅可以推理发现了什么，还可以推理发现来自哪里、谁贡献的、以及它获得了多少信任。
TRAC 支持这一基础设施背后的 OriginTrail 生态系统，使知识能够在去中心化系统中创建、共享、保护和重用。
可信 AI Agent 需要的不仅仅是文件访问权限。它们需要带有溯源能力的共享上下文。
从代码地图到集体软件智能
第一波编码 Agent 证明了 LLM 可以编写有用的代码。下一波是关于协调的。
Graphify 映射代码库。DKG v10 将该映射转化为共享、可验证的记忆。Agent 和人类在相同的上下文之上构建，而不是反复重建它。
这就是从孤立协助到集体软件智能的转变。
立竿见影的好处是实际的：在实测基准测试中每个任务节省约 70% 的 token。
更大的好处是结构性的：每个被映射的代码库、每个有用的查询、每个决策轨迹、每个评审洞察，都成为不断累积的上下文图谱的一部分。
这就是“彼此靠近工作的 Agent”与“共同学习的 Agent”之间的区别。
Graphify 在 DKG v10 上将软件上下文转化为共享基础设施。
尝试 Graphify，探索 DKG v10，并加入构建基于共享、可验证知识的 AI Agent 和开发者的行列。
你可以进一步扩展 OriginTrail DKG 的功能并获得奖励。查看赏金计划：
全新版本即将面世，包含所有好东西——快来试试吧。
👉https://github.com/OriginTrail/dkg
在此加入红队：
