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

1. Declaração do Problema: O Problema do Consumo de Documentos

O artigo identifica uma incompatibilidade arquitetônica fundamental entre os atuais agentes autônomos de LLM e os formatos de documentos existentes (principalmente Markdown).

• A Questão Central: Os formatos existentes são projetados para leitura linear humana, onde o documento inteiro é mantido na memória de trabalho. Os agentes de LLM, no entanto, operam via recuperação. Quando um agente precisa de informações, atualmente deve injetar o documento inteiro em sua janela de contexto.
• Três Modos de Falha:
  1. Inflação de Tokens: Agentes desperdiçam ~94% dos tokens em conteúdo irrelevante (ex.: ler um manual de 1.800 tokens para encontrar 80 tokens de etapas relevantes).
  2. Acúmulo de Contexto: Em loops de múltiplas interações, todo o histórico de conversas (incluindo texto injetado irrelevante) é retransmitido em cada chamada de API, fazendo com que os custos de tokens cresçam de forma superlinear.
  3. Cegueira de Função: Os formatos existentes não podem servir diferentes visualizações do mesmo documento para diferentes funções de agente (ex.: um orquestrador vs. um trabalhador) sem middleware externo.
• Limitações de Trabalhos Anteriores: Compressão de contexto, RAG e sistemas de arquivos semânticos abordam sintomas, mas falham em resolver a causa raiz: o formato do documento em si carece de um índice endereçável por consulta, dependências tipadas e controle de acesso nativo.

2. Metodologia: O Formato ObjectGraph (.og)

Os autores propõem o OBJECTGRAPH (.og), um formato de arquivo que reconcebe documentos como grafos de conhecimento tipados e direcionados, em vez de strings lineares.

A. Abstração Central

Um arquivo .og é um grafo $G = (V, E, \lambda, \rho)$ onde:

• Nós ($V$): Unidades semânticas atômicas de conhecimento (ex.: uma etapa específica, aviso ou conceito).
• Arestas ($E$): Relações de dependência tipadas (ex.: :requires, :precedes, :see-also).
• Escopo ($\rho$): Controle de acesso baseado em função (ex.: orchestrator, worker, all).
• Manifesto: Um cabeçalho leve (::meta, ::schema, ::index) que permite a descoberta $O(1)$ de nós relevantes sem carregar o conteúdo.

B. Mecanismos Chave

1. Modelo de Divulgação Progressiva (PDM):
   • Passo 1 (Índice): Lê apenas o bloco ::index (~30 tokens) para determinar relevância.
   • Passo 2 (Denso): Lê blocos ::dense (~12 tokens/nó) contendo resumos de palavras-chave para roteamento/planejamento.
   • Passo 3 (Completo): Lê blocos ::full, ::code ou ::steps (~180 tokens/nó) apenas quando a execução é necessária.
2. Protocolo de Consulta Nativo de LLM:
   • Utiliza uma interface de duas primitivas: search_index (encontra IDs de nós relevantes) e resolve_context (busca conteúdo + percorre automaticamente dependências).
   • LLM como Roteador: O próprio LLM realiza a correspondência semântica na string do índice, eliminando a necessidade de bancos de dados vetoriais externos ou algoritmos de correspondência de palavras-chave.
3. Nós de Afirmação Executáveis: Lógica de validação, caminhos de retry e regras de escalonamento são codificados diretamente no documento (::assertion), separando "o que fazer" de "como verificar".
4. Carregamento Delta: Um nó ::changelog permite que agentes busquem apenas nós atualizados desde a última versão, reduzindo custos de atualização de $O(n)$ para $O(\mu)$.

C. Compatibilidade

• Superconjunto Estrito de Markdown: Todo arquivo .md válido é um arquivo .og válido.
• Transpilador: Um pipeline híbrido converte Markdown para .og. Utiliza analisadores determinísticos para preservação de conteúdo e chamadas de LLM limitadas apenas para gerar metadados de navegação (palavras-chave/blocos densos), garantindo alta fidelidade.

3. Contribuições Principais

1. Modelo Formal: Definiu o "Problema do Consumo de Documentos" e seis propriedades estruturais necessárias para resolvê-lo (Índice Endereçável por Consulta, Compressão em Camadas, Grafo de Dependência Tipado, Acesso Escopado por Função, Afirmações Executáveis, Legibilidade Humana).
2. Especificação de Formato: Introduziu o formato .og, satisfazendo todas as seis propriedades simultaneamente.
3. Protocolo de Consulta: Projetou um protocolo mínimo de duas primitivas permitindo que agentes naveguem em documentos sem injeção completa.
4. Transpilador: Criou uma ferramenta para converter Markdown existente para .og com fidelidade de conteúdo comprovável.
5. Validação Empírica: Avaliação abrangente em 5 classes de documentos e 8 tipos de tarefas.

4. Resultados

O artigo apresenta evidências empíricas de um benchmark de 240 documentos e 8 tipos de tarefas usando modelos como Claude Sonnet 4.5 e GPT-4o.

• Redução de Tokens:
  • Redução Média: 92,0% de redução no consumo de tokens por consulta (de ~2.340 tokens para ~187 tokens).
  • Economias em Múltiplas Interações: Em um fluxo de trabalho de 5 interações, o ObjectGraph reduziu os custos cumulativos de tokens em 36,5x comparado ao Markdown (1.260 tokens vs. 46.000 tokens), eliminando efetivamente o acúmulo de contexto.
• Precisão da Tarefa:
  • O ObjectGraph igualou ou superou a precisão do Markdown em 7 de 8 tipos de tarefas.
  • Ganhos Significativos:
    • Acesso condicional por função: +18,4%
    • Detecção de atualização: +30,1%
    • Verificação de afirmação: +43,5%
  • Nota: O único leve declínio foi em "raciocínio entre nós", que foi mitigado por declarações explícitas de arestas.
• Fidelidade do Transpilador: Alcançou 98,7% de preservação de conteúdo em documentos mantidos de fora.
• Autoria Humana: Estudos com usuários mostraram baixa carga de autoria (2,8/7 em uma escala Likert), com usuários notando que tags explícitas melhoraram a disciplina de documentação.

5. Significado e Impacto

• Mudança de Paradigma: Move a indústria de "injetar documentos" para "navegar em grafos de conhecimento", tratando o formato do documento como a infraestrutura primária para a inteligência de agentes.
• Redução de Infraestrutura: Ao codificar controle de acesso, lógica de validação e rastreamento de alterações dentro do formato de arquivo, o ObjectGraph elimina a necessidade de middleware externo (bancos de dados vetoriais, camadas de controle de acesso, scripts de validação), simplificando a arquitetura de agentes.
• Escalabilidade: O efeito "Menos é Mais" demonstra que reduzir o contexto irrelevante não apenas economiza dinheiro, mas melhora o desempenho do modelo ao reduzir a diluição da atenção.
• Perspectiva Futura: O artigo identifica "federação" (resolução de arestas entre arquivos) como o próximo passo crítico para criar um grafo de conhecimento distribuído e consultável para a "Web Agêntica".

Em resumo, o ObjectGraph resolve a ineficiência de tokens e as limitações estruturais das atuais interações agente-documento, redefinindo o próprio documento como um grafo de conhecimento estruturado, navegável e consciente de funções, alcançando ganhos massivos de eficiência sem sacrificar a precisão.