OpenLoreがAIコーディングエージェントに永続的な記憶とガバナンス機能をもたらす

OpenLoreは、AIを使ったコーディングの根本的なコスト問題に取り組む。それは古い情報への確信である。大規模なコードベースは言語モデルが完全に記憶するには大きすぎるため、長いセッション中、エージェントは気付かないまま古くなった「事実」（関数が名前変更された、ファイルが移動した、APIが変わった）に基づいて行動するようになる。そうした間違いがコードレビューに到達すると、人間が反復作業のコストを負担する。このツールの核心的な洞察は、静的解析がエージェントが必要とする多くの質問（「どの関数に触れるか」「誰がこれを呼ぶのか」）に1度のセットアップで答え、その答えをグラフに保存し、その後決定論的に提供できるということ。そのループにLLMがないということは幻覚がなく、毎回同じ答えが出て、キャッシュされた情報が古くなったときにエージェントに通知できる（「Epistemic Lease」経由）。ガバナンス側（破壊的変更、建築的違反、センシティブなコードへの新たなパスの検出）は同じロジックで実行される。モデルの最善の推測の代わりに差分静的解析。

ベンチマークでは、この形のアプローチがどこで勝利し、どこで敗北するかが明らかになる。複雑で多ホップのタスクを持つ大規模リポジトリ（640～3,000ファイル）では、エージェントはコスト削減とラウンドトリップ削減を達成する。ファイルから呼び出しグラフを再導出するのをやめるため。excalidrawで−21%のコスト、tokioで−26%のラウンドトリップ削減。モデルの組み込み知識が「この関数を呼ぶのは誰か」といった浅い質問に十分である小規模リポジトリでは、インデックスとルックアップのオーバーヘッドが利益を上回る可能性がある（express で+59%の損失）。発行元はこれについて透明。自分のコードベースで測定することを推奨し、Value Scorecardで勝利と敗北の両方を公開している。採用は誇大広告ではなく、正直な評価に依存する。