Modulus: Repository-übergreifende Wissensorchestrierung für KI-Codierungsagenten

Modulus ist eine Desktop-Anwendung, die entwickelt wurde, um mehrere KI-Codierungsagenten zu orchestrieren, die über mehrere Repositorys mit gemeinsamem Kontext arbeiten. Das Tool adressiert zwei spezifische Probleme, mit denen Entwickler bei der Verwendung von KI-Codierungsagenten konfrontiert sind: gebrochener Kontext zwischen Repositorys und verlorener Kontext beim Wechsel zwischen Agenten.
Kernfunktionalität
Die App ermöglicht das gleichzeitige Ausführen mehrerer KI-Codierungsagenten ohne Konflikte, sodass Entwickler Fehler beheben können, während sie Funktionen entwickeln. Jeder Agent arbeitet in seinem eigenen isolierten Arbeitsbereich mit Git-Worktrees, was Konflikte verhindert und die Notwendigkeit mehrerer IDE-Fenster oder Repository-Klonungen eliminiert.
Hauptmerkmale
- Gemeinsamer Projektgedächtnis: Agenten kennen automatisch Ihre API-Schemata, Abhängigkeiten und kürzliche Änderungen über alle Repositorys hinweg, was das Kopieren und Einfügen zwischen Fenstern überflüssig macht
- Verständnis zwischen Repositorys: Agenten verstehen Abhängigkeiten zwischen Repositorys (z.B. Backend-Repo + Client-Repo + Shared-Library-Repo + KI-Agenten-Repo)
- Parallele Agentenausführung: Führen Sie mehrere Codierungsagenten parallel mit gemeinsamem Kontext aus
- Überprüfungs- und Veröffentlichungs-Workflow: Überprüfen Sie alle Änderungen von allen Agenten an einem Ort und erstellen Sie Pull-Requests direkt aus Modulus
- Gedächtnis- und Kontext-Engine: Speziell für Codierungsagenten von Grund auf neu entwickelt
Technische Implementierung
Modulus verbindet sich mit Cursor über MCP (Model Context Protocol). Das Tool verwendet Git-Worktrees, um isolierte Arbeitsbereiche für jeden Agenten zu erstellen. Das Team hat seine eigene Gedächtnis- und Kontext-Engine speziell für Codierungsagenten-Workflows entwickelt.
Aktuelle Verfügbarkeit und zukünftige Pläne
Derzeit für macOS verfügbar mit einer Warteliste für Linux und Windows. Das Team plant, Team-Kollaborationsfunktionen hinzuzufügen, die es Teams ermöglichen, Wissen mit anderen zu teilen, um Workflows mit KI-Codierungsagenten zu verbessern. Eine kommende API wird es Entwicklern ermöglichen, zwischen Codierungsagenten oder IDEs zu wechseln, ohne den Kontext zu verlieren.
Anwendungsbeispiel
Die Gründer entwickelten Modulus, um ihr eigenes Problem zu lösen: Während der Arbeit an zwei verschiedenen Repositorys mussten sie manuell API-Schemata zwischen Cursor-Fenstern einfügen und dem Frontend-Agenten wiederholt erklären, wie die Backend-API aussah. Modulus eliminiert diese manuelle Kontextweitergabe.
📖 Read the full source: HN AI Agents
👀 Siehe auch

Mnemos: ein MCP-Server für dauerhafte Claude-Code-Speicherung
Mnemos ist ein Open-Source-MCP-Server, der Claude Code dauerhaften Speicher über Sitzungen hinweg bietet, Korrekturen als strukturierte Muster aufzeichnet und beim Start kontextuelle Prioritäten bereitstellt. Ein einziges 15 MB großes Go-Binary, kein Docker oder Vektor-DB erforderlich.
Spine Swarm: Multi-Agenten-KI-System auf visueller Leinwand für Nicht-Programmier-Projekte
Spine Swarm ist ein Multi-Agenten-System, das auf einer unendlichen visuellen Leinwand arbeitet, um komplexe Nicht-Codierungsprojekte wie Wettbewerbsanalysen, Finanzmodellierung, SEO-Audits, Pitch Decks und interaktive Prototypen abzuschließen. Das System verwendet Blöcke als Abstraktionen über KI-Modellen, die verbunden werden können, um Kontext zwischen verschiedenen Modelltypen weiterzugeben.
MTP + Unified Memory steigert llama.cpp Inferenz um 30% auf RTX 5090
Die Aktivierung von MTP-Spekulation zusammen mit GGML_CUDA_ENABLE_UNIFIED_MEMORY=1 steigert Qwen3.6-27B Q8_0 von 49 auf 64 tok/s auf einer RTX 5090 mit 128 GB Arbeitsspeicher.

CAL: Open-Source Kontextoptimierungsschicht für LLM-Agenten
CAL (Context Assembly Layer) ist eine Python-Bibliothek, die die Claude-API-Token-Nutzung durch intelligente Kontextauswahl und -komprimierung um 83% reduziert. Sie ist über pip install verfügbar und unter MIT-Lizenz lizenziert.