导读
今天 GitHub Trending 的第一名有点反常：它没有模型权重，不生成代码，也不聊天。这个叫 code-review-graph 的 Python 项目只做一件事------给你的代码库建一张结构图，让 AI 在动手读代码之前，先想清楚到底该读哪几个文件。就这么一件事，让它单日涨了 1833 星，总星数近 2.4 万。
更有意思的是，同一天还有两个项目在做同方向的事，一个在 GitHub 榜上，一个在 Product Hunt 上。把三个放在一起看，能看到一个正在成型的判断：AI 编程的瓶颈，正在从模型够不够聪明，转向上下文喂得够不够准。 这篇讲清楚这个信号，以及值钱的位置挪到了哪里。
一个不生成代码的工具，凭什么拿第一
code-review-graph 的原理说起来很朴素。它用 Tree-sitter 把整个代码库解析成语法树，然后在本地 SQLite 里建一张图：节点是函数、类和导入关系，边是调用链、继承关系和测试覆盖。代码一改，受影响的文件两秒内增量重解析。
在这张图之上，它通过 MCP（Model Context Protocol）向 Claude Code、Cursor 这些 AI 编程工具暴露了 30 个查询接口。典型的一个叫 impact radius------爆炸半径：这次改动波及哪些函数、哪些调用方、哪些测试。AI 审查代码时先查图，拿到一个最小上下文集合，再去读文件。
效果直接体现在账单上。按项目官方在六个真实仓库上的 benchmark，单个问题的 token 消耗中位数下降约 82 倍，最好的场景降了 500 多倍。这个数字是作者自己测的，我建议打个对折再打个对折来听，但方向没什么疑问：让 AI 把一个仓库从头读到尾，从工程上看已经是一种浪费。
还有个细节值得一提：它是 local-first 的，图建在本地，代码不出机器，MIT 协议。这类工具能火，隐私顾虑扫清是前提条件。
同一天，三个项目一条线
单看一个项目可能是偶然，同一天还有两个：
一个是 Product Hunt 上的 Creed，拿了 161 票。它做的事听起来极简单：给你自己建一个便携的个人上下文文件------你的角色、偏好、正在做的项目、工作习惯------通过 MCP 让每个 AI 工具在回答之前先读一遍。作者的动机就是烦了：每换一个 AI 工具，就要把自己是谁、要什么重新解释一遍。
另一个是 GitHub 榜上的 cognee，2.9 万星的开源项目，给 Agent 做持久记忆：把各种格式的数据吃进去，构建成自托管的知识图谱，让 Agent 跨会话记住之前发生过什么，同样带 MCP 接口。
三个项目，对象分别是代码库、个人、Agent 的长期经验，但做的是同一件事：把散落的信息组织成结构，在 AI 需要的时候精准地喂进去。 代码的上下文、人的上下文、时间的上下文------这条赛道今天在 GitHub 和 Product Hunt 的榜单上一共占了三个位置。
瓶颈是怎么挪过来的
context engineering 这个词是 2025 年年中被 Karpathy 和 Shopify CEO Tobi Lütke 带火的，当时更多还是个提法。一年过去，它变成了一个真实的产业分层：mem0 今年的行业报告统计，做 Agent 记忆的框架已经有 21 个，配套向量存储 20 种，托管云、自托管、本地 MCP 三种部署形态齐全。今年 1 月还有论文专门研究上下文压缩，在不掉精度的前提下省 22.7% 的 token。一个词从推特热梗走到 benchmark 齐全，说明钱和工程师真的进场了。
背后的账其实好算。这两年模型智力在多数编程任务上是过剩的：让 Claude 或 GPT 改一个函数，它改得又快又好。结果变差，多半是因为它没找到该看的那个文件，或者上下文窗口里塞了太多不相关的东西，注意力被稀释。与此同时 token 按量计费，上下文窗口再大也是稀缺资源------智力便宜了，注意力还是贵的。
于是竞争的位置就变了。模型能力在几家大厂手里，拼不动；但给模型供应上下文这一层，谁都能做，而且刚刚开始。
一个可复用的框架：上下文供给链
把今天这三个项目抽象一下，可以得到一条三段式的供给链，用来判断任何一个 AI 基建项目站在哪个位置：
- 采集：把散落的原始信息拿到手。爬代码、连数据库、读聊天记录。这一层门槛最低，最先商品化。
- 组织：把原始信息加工成可检索的结构------建图、建索引、生成记忆、做压缩。code-review-graph 的语法图、cognee 的知识图谱都在这一层。压缩比和查准率是这一层的硬指标。
- 注入：在对的时机把对的片段送进上下文窗口。这一层正在被 MCP 快速标准化------协议统一意味着这一层本身不构成壁垒。
这条链上的价值分布并不均匀。采集会烂大街，注入被协议标准化，壁垒集中在中间的组织层：同样的原始信息，谁的结构化做得好，谁喂出来的 AI 就明显更聪明。 官方宣称的那几十倍 token 差距，主要就产生在这一层。一个 AI 工具站在链条哪一段、组织层是自己的还是借来的，基本决定了它值不值得看。
反面：上下文也会腐烂
这条赛道有个所有玩家都绕不开的坑，Creed 的评论区里有用户说得很直白：drift 问题是真实的------我的工作流一变，那份上下文文件立刻就过时了。
代码图同样如此。图建好的那一刻就开始贬值，代码每天在改，靠的是持续增量更新把误差压住；code-review-graph 把两秒增量重解析当核心卖点，原因就在这。记忆系统更麻烦：错误的记忆会被反复检索、反复强化，越用越脏。
所以判断这类工具靠不靠谱，有个简单的检查点：看它怎么处理信息的过期和删除。只讲怎么记住、没考虑过怎么忘掉的记忆系统，大概率还没被真实用户毒打过。
关键结论
- 今天 GitHub 榜首是一个帮 AI 省 token 的工具，单日 1833 星。加上 Creed 和 cognee，同天有三个项目在做上下文供给，信号足够明确。
- 模型智力在多数编程任务上已经过剩，输出质量的方差主要来自上下文质量。省 token 是副产品，这类工具解决的核心问题是让模型看到该看的东西。
- 上下文供给链分采集、组织、注入三段：采集会商品化，注入被 MCP 标准化，壁垒沉淀在组织层。
- 上下文有保质期。评估这类工具，优先看增量更新和遗忘机制，而这恰恰是大部分新项目还没做好的部分。
模型层的故事讲了三年，主角一直是那几家。上下文这一层刚刚开场，今天的榜单说明入场券还在发。