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

LLM-basierte Coding-Agenten lesen Quellcodedateien wiederholt ein, um Kontext aufzubauen, wobei jedes Tool-Aufrufergebnis in der Gesprächshistorie akkumuliert wird und bei jedem folgenden Schritt erneut übertragen wird. Wir stellen Karna vor, einen persistente Wissensgraphen für Code, der strukturierte Codebasis-Kontexte über das Model Context Protocol (MCP) an KI-Agenten bereitstellt. In einem kontrollierten A/B-Experiment mit Claude Sonnet 4 auf einer Codebasis mit 1.125 Dateien erzielt Karna 57,9 % Einsparungen bei Eingabe-Tokens gegenüber einer dateibasierenden Baseline (p < 0,007, Cohens d = 2,96). Zusätzlich identifizieren wir die Gesprächshistorien-Steuer – ein O(T²)-Wachstum der kumulativen Eingabe-Tokens mit Anzahl der Schritte – als Kostenfaktor, der für alle tool-unterstützten LLM-Architekturen gilt. Code: https://github.com/shaileshai/karna-ai