Fullerenes : Couche mémoire persistante open source pour agents de codage réduit les tokens de 64% sur SWE-bench

Fullerenes est une couche de mémoire persistante open-source pour les agents de codage IA. Au lieu de relire les fichiers à chaque session, il construit un graphe de connaissances local à partir de votre dépôt en utilisant Tree-sitter et l'expose via MCP (Model Context Protocol). Les agents interrogent le graphe pour trouver les fonctions, classes, importations et relations d'appel plutôt que de lire les fichiers bruts — réduisant considérablement la consommation de tokens.

Comment ça fonctionne

Exécutez npx fullerenes init dans votre dépôt. Il parcourt la base de code avec Tree-sitter, extrait chaque fonction, classe, importation et relation d'appel, et les stocke dans un graphe SQLite local. Les agents se connectent via MCP et posent des questions ciblées.

La conception s'inspire de la recherche en récupération : Repoformer (ne récupérer que lorsque c'est nécessaire), HippoRAG et G-Retriever (les graphes surpassent les morceaux plats), et LLMLingua (compression agressive du contexte). L'objectif est un meilleur signal par token, pas plus de contexte.

Outils MCP uniques

Deux outils remarquables :

• predict_impact({ functionName: "x" }) — Avant d'éditer, l'agent demande ce qui pourrait casser. Parcourt le graphe d'arêtes et renvoie les dépendants directs et transitifs avec un score de risque. Rayon d'impact avant même la première frappe.
• get_function({ name: "x", includeBody: true }) — Signature, corps et appelants en un seul appel MCP. Pas de read_file supplémentaire nécessaire.

Résultats des benchmarks

• SWE-bench Verified (1 instance jusqu'à présent) : Baseline Codex 91 949 tokens → avec Fullerenes 32 945 tokens. Réduction de 64 %.
• Interne (5 questions sur ce dépôt) : Fichiers bruts 2 452 tokens en moyenne → Fullerenes 137 tokens en moyenne. Réduction de 94,4 %.
• Externe (Gemini CLI sur un projet Python) : Fichiers bruts 27 292 tokens → Fullerenes AGENTS.md 919 tokens. Réduction de 96,6 %.

Limitations

Tree-sitter est structurel, pas sémantique. Le dispatch dynamique et la métaprogrammation manqueront des arêtes. L'intégration LSP est sur la feuille de route. Une instance SWE-bench n'est pas un résultat général — d'autres sont en cours.

Local et open-source

Tout s'exécute localement : SQLite, pas de serveur, pas de clé API, pur npm (pas de Python), fonctionne hors ligne, licence MIT. 589 téléchargements npm en 40 heures avant le post Reddit. 14 étoiles. Vient de sortir.

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

Trois questions que l'auteur pose à la communauté : Est-ce que la récupération basée sur graphe change vos workflows d'agents, ou le contexte long gagne-t-il ? Quels outils MCP au-delà des 8 actuels ? La méthodologie SWE-bench vous semble-t-elle solide ?