フラーレン：コーディングエージェント向けオープンソース永続メモリ層、SWE-benchでトークンを64%削減

Fullerenesは、AIコーディングエージェント向けのオープンソースの永続メモリレイヤーです。毎セッションでファイルを再読み込みする代わりに、Tree-sitterを使用してリポジトリからローカルな知識グラフを構築し、MCP（Model Context Protocol）経由で公開します。エージェントは生のファイルを読む代わりに、グラフに関数、クラス、インポート、呼び出し関係を問い合わせることで、トークン消費を大幅に削減します。

仕組み

リポジトリでnpx fullerenes initを実行します。Tree-sitterでコードベースを走査し、すべての関数、クラス、インポート、呼び出し関係を抽出し、ローカルのSQLiteグラフに保存します。エージェントはMCP経由で接続し、ターゲットを絞った質問をします。

デザインは検索研究に基づいています：Repoformer（必要なときだけ検索）、HippoRAGとG-Retriever（グラフはフラットチャンクより優れている）、LLMLingua（積極的なコンテキスト圧縮）。目標は、より多くのコンテキストではなく、トークンあたりのより良いシグナルです。

ユニークなMCPツール

2つの傑出したツール：

• predict_impact({ functionName: "x" }) — 編集前に、エージェントが他に何が壊れるかを問い合わせます。エッジグラフをたどり、リスクスコア付きの直接および推移的な依存関係を返します。最初のキーストロークの前に影響範囲を把握。
• get_function({ name: "x", includeBody: true }) — シグネチャ、本体、呼び出し元を1回のMCP呼び出しで取得。後続のread_fileは不要。

ベンチマーク結果

• SWE-bench Verified（これまでのところ1インスタンス）：Codexベースライン91,949トークン → Fullerenes使用時32,945トークン。 64%削減。
• 内部（このリポジトリに関する5つの質問）：生ファイル平均2,452トークン → Fullerenes平均137トークン。 94.4%削減。
• 外部（PythonプロジェクトでのGemini CLI）：生ファイル27,292トークン → FullerenesのAGENTS.md 919トークン。 96.6%削減。

制限事項

Tree-sitterは構造的であり、意味的ではありません。動的ディスパッチやメタプログラミングではエッジを見逃します。LSP統合はロードマップにあります。SWE-benchの1インスタンスは広範な結果ではありません — さらに多くのインスタンスを実行中です。

ローカル＆オープンソース

すべてローカルで動作：SQLite、サーバー不要、APIキー不要、純粋なnpm（Python不要）、オフラインでも動作、MITライセンス。Reddit投稿前の40時間で589 npmダウンロード。14スター。ローンチしたばかりです。

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

作者がコミュニティに尋ねている3つの質問：グラフベースの検索はエージェントのワークフローを変えますか、それとも長いコンテキストが勝っていますか？現在の8つを超えるMCPツールは？SWE-benchの方法論は妥当に見えますか？