Karna: Reduzierung des Token-Verbrauchs von LLM-Coding-Agenten um 58 % durch persistente Code-Wissensgraphen

LLM-basierte Coding-Agenten lesen Quellcodedateien wiederholt, um Kontext aufzubauen, wobei jedes Tool-Aufrufergebnis in der Konversationshistorie akkumuliert und bei jedem folgenden Zug erneut übertragen wird. Wir stellen Karna vor, einen persistenten Code-Wissensgraphen, der strukturierte Codebasis-Kontexte über das Model Context Protocol (MCP) an KI-Agenten liefert. In einem kontrollierten A/B-Experiment mit Claude Sonnet 4 auf einer Codebasis mit 1.125 Dateien erreicht Karna eine Einsparung von 57,9 % bei den Eingabe-Token gegenüber einer Datei-Lese-Baseline (p < 0.007, Cohen's d = 2,96). Zudem identifizieren wir die Gesprächsverlaufssteuerung — O(T²)-Wachstum der kumulativen Eingabe-Token mit der Zuganzahl — als Kostenfaktor, der auf alle tool-unterstützten LLM-Architekturen anwendbar ist. Code: https://github.com/shaileshai/karna-ai