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コーディングエージェントに2つの機能を提供する静的解析インデックスツール。永続的なアーキテクチャメモリと決定論的なガバナンスチェック。インストール時に1度コードベースをインデックス化。すべてのファイルにわたって静的解析を実行し、関数呼び出し構造、型、テスト、決定、Infrastructure-as-Codeのナレッジグラフをビルド。グラフはローカルに保存。APIキーやネットワークアクセスは不要。エージェントがタスクを与えられると、このグラフをMCPツール（またはCLI）経由でクエリでき、「orient: このタスクはどの関数と仕様に触れるか」と尋ねて、関連する関数、その呼び出し元、マッチングする仕様セクション、提案される挿入ポイントのランク付けされたリストを単一の呼び出しで取得。15,000ノードのグラフで中央値約430マイクロ秒。

アーキテクチャ上の重要な設計選択は、OpenLoreがこれらの質問にLLMに尋ねるのではなく静的グラフから決定論的に答えることである。これは同じ質問が毎回同じ答えを返すことを意味し、コードベースが変わったとき（関数が名前変更された、ファイルが移動した）、ツールはキャッシュされた情報が古くなったことを検出し、確信を持った推測を提供する代わりにエージェントに「この情報は古い」と伝えることができる。エージェントはこの信号を「Epistemic Lease」（古い情報に基づいた行動からエージェントを防ぐコンテキスト鮮度追跡）という名称のツール機能を通じて見る。

ガバナンス側では、OpenLoreはコード変更をリリース前に認証する。差分で3つのツールが実行される。change_impact_certificateは変更が新たに宣言されたセンシティブ境界へのパスを開いたときを検出（差分。変更で作られたパスのみ、既存のものではない）。certify_public_surfaceは変更されたすべてのエクスポートを破壊的、非破壊的、潜在的に破壊的に分類し、それぞれの破壊が影響するリポジトリ内の呼び出し元を命名。check_architectureは宣言されたレイヤールールを考慮したとき、ファイルが別のファイルからのインポートを許可されているかを答える。3つすべて決定論的で、言語間対応で、LLMを必要としない。ワンコマンドゲート「openlore enforce」がポリシーファイルを通じてすべての検出結果を解決し、ブロッキングとしてマークしたもののみブロック（デフォルトでは勧告）。

Spec 14エージェントベンチマーク（claude-sonnet、N=4中央値、2026年6月1日測定）からのベンチマークはトレードオフを明確に示す。深い「XがYを通じてどのように流れるか」タスクの大規模で未知のリポジトリでは、OpenLoreはコストを−7%から−21%削減し、ラウンドトリップを−26%削減（excalidraw：25→16ラウンドトリップ、−21%コスト削減）。小規模リポジトリ（110ファイル）または浅い「Xを呼ぶのは誰か」質問では、オーバーヘッドが追加される可能性がある。ベンチマーク第1ラウンドで+43%のコスト、+38%のラウンドトリップ増加。パターンは同じリポジトリクラス内でもタスク依存。同じコードベースで1つのタスクで−32%の利益が見られたものが別のタスクで+59%の損失を示した。発行元はコミット前に「openlore prove --estimate」を自分のコードベースで実行することを明示的に推奨し、勝利と敗北の両方を透明に公開。

インストールはワンコマンド：「npm install -g openlore && openlore install」。使用中のエージェント（Claude Code、Cursor、Cline、Continue、またはAGENTS.mdファイル）を自動検出し、MCPサーバーを登録し、リポジトリをライブでインデックス化。設定やAPIキーは不要。ripgrepの新規クローン（235ファイル、2,978関数、4,329呼び出しエッジ）では、フルインデックスは14秒でビルド。エージェントは関連する関数、呼び出し元、仕様、リスクに既に見当がついた状態で開始する。orient(task)を呼び出す。ガバナンスツールはコミット時またはCIで実行し、変更をリリース前に認証。すべての答えは静的コード解析に根ざし、モデル推測ではないため、決定論的で再現可能。

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。

まだコメントがありません。最初のコメントを投稿しましょう！