定价计算器做不下去，他删光UI转做AI记忆引擎

一个B2B SaaS定价计算器，做了几个小时，作者问了自己一句话：我会主动用这个产品吗？答案是不会。于是他把界面删了。

删除命令写得很干脆：git rm -rf ui/ components/ deal_calculator.py，提交信息是"pivot: delete pricing sliders, embrace the void"。这个项目后来叫Banana，名字是随手起的。

转向的原因来自另一个观察：AI编程代理在反复犯同样的错——忘记架构决策、打破依赖边界、为了理解一个代码库消耗掉大量上下文。Banana要解决的就是这件事，它是一个面向编程代理的图驱动记忆与上下文引擎，帮Claude Code、Cursor这类工具检索代码关系、记住架构决策、通过MCP检查显式规则。

作者第一次看到FalkorDB时的判断很直接：这大概是个套着Redis外壳的廉价仿制品，或者一个光启动就要吃掉4GB内存的Neo4j。他预期这是个键值对上的笨重包装，一旦要求多跳AST依赖遍历就会散架。

翻完文档后他改了看法。FalkorDB底层由GraphBLAS驱动，把节点和关系表示成用优化过的C实现的稀疏线性代数矩阵。用Cypher查一次3跳依赖遍历，执行的是稀疏矩阵乘法，而不是传统图引擎那种在内存里递归追指针。

他们在FalkorDB Cloud上测出的数字：

• 3跳多边遍历：17.4 ms
• 架构决策召回：1.37 ms
• AST边界检查：0.28 ms

作者的说法是，它返回查询结果的速度比Python序列化响应JSON还快。他由此认为这不是营销话术，而是在为低延迟的代理循环解决一个真实的系统工程问题。

测试进行到一半，Gemini API配额用完了。但在此之前，他们已经把代码库索引进了FalkorDB：39个文件、42个类、84个函数、275条导入与调用关系。

这让局面完全不同。Banana可以直接查图来取依赖、看代码结构、召回已存的决策，这些操作不消耗LLM的token。图成了他们的记忆，也成了模型不可用时的退路。

上下文膨胀的解法分两步。第一步是索引结构而不只是文本：不把原始字符串丢进向量库碰运气，而是把仓库索引成AST图，:File、:Class、:Function由IMPORTS和CALLS连接，Cypher查询把这些关系当作稀疏矩阵乘法来遍历。

第二步借用了Edmonds-Karp最大流算法。作者打了个比方：这个算法计算的是在撞上瓶颈之前，你能往管道网络里推多少液体。在Banana里，"液体"是代码token，"管道"是依赖关系。

源头是你正在编辑的那个文件或函数；管网是与之相连的每个类、辅助函数和导入模块，每根管道的容量由PageRank和架构相关性加权；瓶颈是严格的LLM上下文预算，比如950或2000个token。

Edmonds-Karp用广度优先搜索在依赖图里找增广路径，把最大体积的关键架构上下文泵过管道，直到撞上预算瓶颈。结果是拿到完整、不中断的接口和直接依赖，既不撑爆token上限，也不会把函数从中间切开。目标只有一句：给代理它需要的东西，而不是你拥有的全部。

代理想推演假设性改动时——测试一次假想重构、模拟一个会破坏依赖的变更、问一句"如果我改这个接口会怎样"——你不会希望它直接写进持久化的代码库图。因为FalkorDB建立在内存中的GraphBLAS线性代数之上，建图和拆图是毫秒级，不是分钟级。

Banana据此做了临时草稿图：代理一进入推演模拟模式，就在5毫秒以内拉起一个隔离的微图（banana_scratch_）；代理在完全隔离的环境里模拟AST差异、测试场景策略、检查循环依赖；模拟结束，一条命令丢掉草稿图。没有磁盘残留，没有持久内存被污染，也不存在代理的幻觉思考混进事实来源的风险。

护栏也不必每次都调LLM。假设一个代理想把底层数据库驱动直接导入UI组件，如果这个依赖违反了明确的架构规则，Banana可以检查相关图关系并标记违规，不需要请LLM来审一遍。他们还为硬编码凭证、不安全代码原语这类模式做了确定性检查。测得的AST安全与边界检查延迟是0.28 ms。作者也承认，不是所有安全问题都能靠简单规则抓住，但显式约束不该每次都消耗一次LLM调用。

架构上，Banana把编程代理连到一个MCP服务器，对外暴露代码索引、上下文组装、护栏和持久记忆这几类工具。背后FalkorDB管理三层图：banana_knowledge存代码结构、依赖和架构决策；banana_demand存架构规则、不变量和约束；banana_scratch_*是用于隔离推理和策略模拟的临时微图。服务部署在AWS Lambda上，后端是FalkorDB Cloud。

作者总结了四条：代码是图，不只是文本，导入、调用和类关系在检索上下文时都算数；不是每个问题都需要LLM，确定性检查执行显式规则更快也更可预测；记忆只有在被检索时才有价值，存下决策有用，在正确的时机把它取回来才让它变得值钱；临时图解锁了安全的代理推演，给代理一个即时、可丢弃的图沙箱，能避免真实代码库被污染。

技术栈是FalkorDB、AWS Lambda、Python，以及数量惊人的水。