ObjectGraph：从文档注入到知识遍历——面向智能体时代的原生文件格式

现有的每一种文档格式都是为沿文本线性阅读的人类读者设计的。自主LLM智能体不是在阅读，而是在检索。这一根本性错配迫使智能体把整个文档注入其上下文窗口，把token浪费在无关内容上，在多轮循环中不断累积状态，并把信息不加区分地广播给各个智能体角色。我们认为这既不是提示工程问题，也不是检索问题，更不是压缩问题：而是一个格式问题。我们提出OBJECTGRAPH（.og），这种文件格式将文档重新构想为可遍历的类型化有向知识图，而非等待注入的字符串。OBJECTGRAPH是Markdown的严格超集——每个.md文件都是合法的.og文件——除一个仅含两种原语的查询协议外无需任何基础设施，且无需工具即可被人类和智能体共同读取。我们形式化了文档消费问题（Document Consumption Problem），刻画了现有格式无法同时满足的六项结构性质，并证明OBJECTGRAPH同时满足全部六项。我们进一步引入渐进式披露模型（Progressive Disclosure Model）、角色范围访问协议（Role-Scoped Access Protocol）和可执行断言节点（Executable Assertion Nodes）作为格式原生原语。在五类文档和八类智能体任务上的实证评估表明，token最多减少95.3%，且任务准确率无统计学显著下降（p > 0.05）。转译器（transpiler）在留出文档基准上的内容保真度达到98.7%。