Module : Orchestration des connaissances inter-dépôts pour les agents d'IA de codage
Modulus est une application de bureau conçue pour orchestrer plusieurs agents d'IA de codage travaillant sur plusieurs dépôts avec un contexte partagé. L'outil résout deux problèmes spécifiques auxquels les développeurs sont confrontés lorsqu'ils utilisent des agents d'IA de codage : la rupture du contexte inter-dépôts et la perte de contexte lors du changement d'agent.
Fonctionnalités principales
L'application permet d'exécuter simultanément plusieurs agents d'IA de codage sans conflits, permettant aux développeurs de corriger des bogues tout en développant des fonctionnalités. Chaque agent fonctionne dans son propre espace de travail isolé en utilisant des git worktrees, évitant les conflits et éliminant le besoin de multiples fenêtres d'IDE ou de clonage de dépôts.
Caractéristiques clés
- Mémoire de projet partagée : Les agents connaissent automatiquement vos schémas d'API, dépendances et changements récents dans tous les dépôts, éliminant le besoin de copier-coller entre les fenêtres
- Compréhension inter-dépôts : Les agents comprennent les dépendances entre les dépôts (par exemple, dépôt backend + dépôt client + dépôt de bibliothèque partagée + dépôt d'agents d'IA)
- Exécution parallèle d'agents : Exécutez plusieurs agents de codage travaillant en parallèle avec un contexte partagé
- Workflow de revue et d'envoi : Examinez tous les changements de tous les agents en un seul endroit et créez des pull requests directement depuis Modulus
- Moteur de mémoire et de contexte : Construit spécifiquement pour les agents de codage
Implémentation technique
Modulus se connecte à Cursor via MCP (Model Context Protocol). L'outil utilise des git worktrees pour créer des espaces de travail isolés pour chaque agent. L'équipe a construit son propre moteur de mémoire et de contexte spécifiquement pour les workflows d'agents de codage.
Disponibilité actuelle et plans futurs
Actuellement disponible pour macOS avec une liste d'attente pour Linux et Windows. L'équipe prévoit d'ajouter des fonctionnalités de collaboration en équipe permettant aux équipes de partager des connaissances avec d'autres pour améliorer les workflows avec les agents d'IA de codage. Une API à venir permettra aux développeurs de changer d'agent de codage ou d'IDE sans perdre le contexte.
Exemple d'utilisation
Les fondateurs ont créé Modulus pour résoudre leur propre problème : en travaillant sur deux dépôts différents, ils devaient coller manuellement les schémas d'API entre les fenêtres Cursor, en expliquant répétitivement à l'agent frontend à quoi ressemblait l'API backend. Modulus élimine ce partage manuel de contexte.
📖 Read the full source: HN AI Agents
👀 See Also
Les tests de référence MemAware évaluent la mémoire de l'IA au-delà de la simple recherche par mots-clés.
MemAware est un benchmark avec 900 questions réparties sur 3 niveaux de difficulté qui teste si les assistants IA dotés de mémoire peuvent faire remonter un contexte pertinent lorsque les requêtes ne le suggèrent pas. Les résultats montrent que la recherche BM25 a obtenu 2,8 % contre 0,8 % sans mémoire, tandis que la recherche vectorielle chute à 0,7 % sur les connexions inter-domaines.
Serveur MCP pour les projets TypeScript remplace les motifs Grep de Claude Code par des recherches de symboles indexés
Un développeur a créé un serveur MCP qui remplace le modèle de recherche approximative de Claude Code par des recherches indexées de symboles pour les projets TypeScript. L'outil maintient un index SQLite en direct des symboles, des sites d'appel, des importations et de la hiérarchie des classes, réduisant l'utilisation de tokens de 63 à 79 % dans les tests.
Enquête sur les serveurs de mémoire Markdown locaux pour agents IA : Mem0, Hindsight, Zep et le nouveau venu Engram
Un utilisateur a testé ~20 systèmes de mémoire pour agents locaux stockant les souvenirs sous forme de fichiers modifiables. Engram (par Obsidian68) était le seul à répondre à toutes les exigences : entièrement local, stockage Markdown, déduplication intelligente, décroissance de l'importance, et serveur autonome.
Aiguille : Un modèle d'appel de fonctions de 26M paramètres fonctionnant à 6000 tok/s sur mobile
Cactus open-source Needle, un modèle à 26 millions de paramètres pour l'appel de fonction en un seul tour, atteignant 6000 tok/s en pré-remplissage et 1200 tok/s en décodage sur des appareils grand public. Construit avec Simple Attention Networks (sans FFN), il surpasse plusieurs modèles plus grands sur des benchmarks d'utilisation d'outils.