Fullerenos: Capa de memoria persistente de código abierto para agentes de codificación reduce tokens en un 64% en SWE-bench

Fullerenes es una capa de memoria persistente de código abierto para agentes de IA de codificación. En lugar de releer archivos en cada sesión, construye un grafo de conocimiento local a partir de tu repositorio usando Tree-sitter y lo expone a través de MCP (Model Context Protocol). Los agentes consultan el grafo en busca de funciones, clases, importaciones y relaciones de llamada en lugar de leer archivos sin procesar, reduciendo drásticamente el consumo de tokens.

Cómo funciona

Ejecuta npx fullerenes init en tu repositorio. Recorre el código base con Tree-sitter, extrae cada función, clase, importación y relación de llamada, y lo almacena en un grafo SQLite local. Los agentes se conectan a través de MCP y hacen preguntas específicas.

El diseño se basa en investigaciones sobre recuperación: Repoformer (recuperar solo cuando sea necesario), HippoRAG y G-Retriever (el grafo supera a los fragmentos planos), y LLMLingua (compresión agresiva del contexto). El objetivo es obtener mejor señal por token, no más contexto.

Herramientas MCP exclusivas

Dos herramientas destacadas:

• predict_impact({ functionName: "x" }) — Antes de editar, el agente pregunta qué más se romperá. Recorre el grafo de aristas y devuelve los dependientes directos y transitivos con una puntuación de riesgo. Radio de explosión antes del primer golpe de tecla.
• get_function({ name: "x", includeBody: true }) — Firma, cuerpo y llamantes en una sola llamada MCP. Sin necesidad de un read_file posterior.

Resultados de evaluación

• SWE-bench Verified (1 instancia hasta ahora): Línea base de Codex con 91,949 tokens → con Fullerenes 32,945 tokens. Reducción del 64%.
• Interna (5 preguntas en este repositorio): Archivos sin procesar con 2,452 tokens promedio → Fullerenes con 137 tokens promedio. Reducción del 94.4%.
• Externa (Gemini CLI en un proyecto Python): Archivos sin procesar con 27,292 tokens → Fullerenes con 919 tokens en AGENTS.md. Reducción del 96.6%.

Limitaciones

Tree-sitter es estructural, no semántico. La despacho dinámico y la metaprogramación perderán aristas. La integración con LSP está en la hoja de ruta. Una instancia de SWE-bench no es un resultado amplio: se están ejecutando más.

Local y de código abierto

Todo se ejecuta localmente: SQLite, sin servidor, sin clave de API, npm puro (sin Python), funciona sin conexión, licencia MIT. 589 descargas de npm en 40 horas antes de la publicación en Reddit. 14 estrellas. Acaba de lanzarse.

github.com/codebreaker77/Fullerenes
npmjs.com/package/fullerenes

Tres preguntas que el autor plantea a la comunidad: ¿La recuperación basada en grafos cambia tus flujos de trabajo con agentes, o está ganando el contexto largo? ¿Qué herramientas MCP más allá de las 8 actuales? ¿La metodología de SWE-bench parece sólida?