ObjectGraph: From Document Injection to Knowledge Traversal -- A Native File Format for the Agentic Era

1. Enunciato del Problema: Il Problema del Consumo di Documenti

Il documento identifica un disallineamento architetturale fondamentale tra gli attuali agenti LLM autonomi e i formati di documento esistenti (principalmente Markdown).

• Il Problema Centrale: I formati esistenti sono progettati per la lettura lineare umana, dove l'intero documento è mantenuto nella memoria di lavoro. Gli agenti LLM, tuttavia, operano tramite recupero. Quando un agente necessita di informazioni, attualmente deve iniettare l'intero documento nella sua finestra di contesto.
• Tre Modalità di Fallimento:
  1. Inflazione dei Token: Gli agenti sprecano ~94% dei token su contenuti irrilevanti (ad esempio, leggere un runbook di 1.800 token per trovare 80 token di passaggi pertinenti).
  2. Compounding del Contesto: Nei cicli multi-turno, l'intera cronologia della conversazione (incluso il testo iniettato irrilevante) viene ritrasmessa ad ogni chiamata API, causando una crescita super-lineare dei costi in token.
  3. Cecità dei Ruoli: I formati esistenti non possono servire diverse visualizzazioni dello stesso documento a diversi ruoli di agente (ad esempio, un orchestratore rispetto a un worker) senza middleware esterno.
• Limitazioni dei Lavori Precedenti: La compressione del contesto, RAG e i sistemi di file semantici affrontano i sintomi ma non risolvono la causa radice: il formato del documento stesso manca di un indice indirizzabile per query, dipendenze tipizzate e controllo degli accessi nativo.

2. Metodologia: Il Formato ObjectGraph (.og)

Gli autori propongono OBJECTGRAPH (.og), un formato di file che riconcepisce i documenti come grafi della conoscenza tipizzati e diretti anziché stringhe lineari.

A. Astrazione Principale

Un file .og è un grafo $G = (V, E, \lambda, \rho)$ dove:

• Nodi ($V$): Unità semantiche atomiche di conoscenza (ad esempio, un passaggio specifico, un avviso o un concetto).
• Archi ($E$): Relazioni di dipendenza tipizzate (ad esempio, :requires, :precedes, :see-also).
• Scope ($\rho$): Controllo degli accessi basato sui ruoli (ad esempio, orchestrator, worker, all).
• Manifesto: Un'intestazione leggera (::meta, ::schema, ::index) che consente la scoperta $O(1)$ dei nodi pertinenti senza caricare il contenuto.

B. Meccanismi Chiave

1. Modello di Rivelazione Progressiva (PDM):
   • Passaggio 1 (Indice): Legge solo il blocco ::index (~30 token) per determinare la pertinenza.
   • Passaggio 2 (Denso): Legge i blocchi ::dense (~12 token/nodo) contenenti riepiloghi basati su parole chiave per il routing/pianificazione.
   • Passaggio 3 (Completo): Legge i blocchi ::full, ::code o ::steps (~180 token/nodo) solo quando è richiesto l'esecuzione.
2. Protocollo di Query Nativo LLM:
   • Utilizza un'interfaccia a due primitive: search_index (trova gli ID dei nodi pertinenti) e resolve_context (recupera il contenuto + attraversa automaticamente le dipendenze).
   • LLM come Router: Lo stesso LLM esegue il matching semantico sulla stringa dell'indice, eliminando la necessità di database vettoriali esterni o algoritmi di corrispondenza delle parole chiave.
3. Nodi di Asserzione Esecutivi: La logica di validazione, i percorsi di riprova e le regole di escalation sono codificati direttamente nel documento (::assertion), separando "cosa fare" da "come verificare".
4. Caricamento Delta: Un nodo ::changelog consente agli agenti di recuperare solo i nodi aggiornati dall'ultima versione, riducendo i costi di aggiornamento da $O(n)$ a $O(\mu)$.

C. Compatibilità

• Superset Rigoroso di Markdown: Ogni file .md valido è un file .og valido.
• Traspositore: Una pipeline ibrida converte Markdown in .og. Utilizza parser deterministici per la preservazione del contenuto e chiamate LLM limitate solo per generare metadati di navigazione (parole chiave/blocchi densi), garantendo alta fedeltà.

3. Contributi Chiave

1. Modello Formale: Ha definito il "Problema del Consumo di Documenti" e sei proprietà strutturali necessarie per risolverlo (Indice Adressabile per Query, Compressione a Livelli, Grafo di Dipendenza Tipizzato, Accesso con Scope di Ruolo, Asserzioni Esecutivi, Leggibilità Umana).
2. Specifiche del Formato: Ha introdotto il formato .og, soddisfacendo simultaneamente tutte e sei le proprietà.
3. Protocollo di Query: Ha progettato un protocollo minimale a due primitive che consente agli agenti di attraversare i documenti senza iniezione completa.
4. Traspositore: Ha creato uno strumento per convertire Markdown esistenti in .og con fedeltà del contenuto dimostrabile.
5. Validazione Empirica: Valutazione completa su 5 classi di documenti e 8 tipi di attività.

4. Risultati

Il documento presenta prove empiriche da un benchmark di 240 documenti e 8 tipi di attività utilizzando modelli come Claude Sonnet 4.5 e GPT-4o.

• Riduzione dei Token:
  • Riduzione Media: 92,0% di riduzione nel consumo di token per query (da ~2.340 token a ~187 token).
  • Risparmi Multi-Turno: In un flusso di lavoro di 5 turni, ObjectGraph ha ridotto i costi cumulativi dei token di 36,5 volte rispetto a Markdown (1.260 token contro 46.000 token), eliminando efficacemente il compounding del contesto.
• Accuratezza delle Attività:
  • ObjectGraph ha eguagliato o superato l'accuratezza di Markdown su 7 su 8 tipi di attività.
  • Guadagni Significativi:
    • Accesso condizionato al ruolo: +18,4%
    • Rilevamento aggiornamenti: +30,1%
    • Verifica asserzioni: +43,5%
  • Nota: L'unico lieve calo è stato nel "Ragionamento cross-nodo", mitigato da dichiarazioni esplicite degli archi.
• Fedeltà del Traspositore: Ha raggiunto il 98,7% di preservazione del contenuto su documenti tenuti da parte.
• Autore Umano: Gli studi sugli utenti hanno mostrato un basso onere di creazione (2,8/7 su una scala Likert), con gli utenti che hanno notato che i tag espliciti hanno migliorato la disciplina nella documentazione.

5. Significato e Impatto

• Cambiamento di Paradigma: Sposta l'industria dall'"iniezione di documenti" all'"attraversamento di grafi della conoscenza", trattando il formato del documento come l'infrastruttura primaria per l'intelligenza degli agenti.
• Riduzione dell'Infrastruttura: Codificando il controllo degli accessi, la logica di validazione e il tracciamento delle modifiche all'interno del formato del file, ObjectGraph elimina la necessità di middleware esterni (DB vettoriali, livelli di controllo degli accessi, script di validazione), semplificando l'architettura degli agenti.
• Scalabilità: L'effetto "Less-Is-More" dimostra che ridurre il contesto irrilevante non solo risparmia denaro ma migliora le prestazioni del modello riducendo la diluizione dell'attenzione.
• Prospettive Future: Il documento identifica la "federazione" (risoluzione degli archi cross-file) come il prossimo passo critico per creare un grafo della conoscenza distribuito e interrogabile per il "Web Agentic".

In sintesi, ObjectGraph risolve l'inefficienza dei token e le limitazioni strutturali delle attuali interazioni agente-documento ridefinendo il documento stesso come un grafo della conoscenza strutturato, attraversabile e consapevole dei ruoli, ottenendo enormi guadagni di efficienza senza sacrificare l'accuratezza.