Фуллерены: уровень постоянной памяти с открытым исходным кодом для агентов кодирования сокращает количество токенов на 64% в SWE-bench

Fullerenes — это открытый слой постоянной памяти для AI-агентов кодирования. Вместо повторного чтения файлов в каждой сессии он строит локальный граф знаний из вашего репозитория с помощью Tree-sitter и предоставляет его через MCP (Model Context Protocol). Агенты запрашивают у графа функции, классы, импорты и отношения вызовов, а не читают исходные файлы, что резко сокращает потребление токенов.

Как это работает

Запустите npx fullerenes init в вашем репозитории. Он обходит код с помощью Tree-sitter, извлекает каждую функцию, класс, импорт и отношение вызовов и сохраняет их в локальном графе SQLite. Агенты подключаются через MCP и задают целевые вопросы.

Дизайн опирается на исследования по поиску: Repoformer (извлекать только при необходимости), HippoRAG и G-Retriever (граф лучше плоских чанков) и LLMLingua (агрессивное сжатие контекста). Цель — лучший сигнал на токен, а не больше контекста.

Уникальные MCP-инструменты

Два выдающихся инструмента:

• predict_impact({ functionName: "x" }) — Перед редактированием агент спрашивает, что ещё сломается. Проходит по графу рёбер и возвращает прямые и транзитивные зависимости с оценкой риска. Радиус взрыва до первого нажатия клавиши.
• get_function({ name: "x", includeBody: true }) — Сигнатура, тело и вызывающие фрагменты в одном MCP-вызове. Не требуется последующий read_file.

Результаты тестов

• SWE-bench Verified (1 экземпляр на данный момент): Базовый Codex 91 949 токенов → с Fullerenes 32 945 токенов. Сокращение на 64%.
• Внутренние (5 вопросов по этому репозиторию): Исходные файлы в среднем 2 452 токена → Fullerenes в среднем 137 токенов. Сокращение на 94.4%.
• Внешние (Gemini CLI на Python-проекте): Исходные файлы 27 292 токена → Fullerenes AGENTS.md 919 токенов. Сокращение на 96.6%.

Ограничения

Tree-sitter — структурный, не семантический. Динамическая диспетчеризация и метапрограммирование пропускают рёбра. Интеграция с LSP в планах. Один экземпляр SWE-bench — не широкий результат; проводятся дополнительные тесты.

Локально и с открытым исходным кодом

Всё работает локально: SQLite, без сервера, без ключа API, чистый npm (без Python), работает оффлайн, лицензия MIT. 589 загрузок npm за 40 часов до поста на Reddit. 14 звёзд. Только запущен.

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

Три вопроса, которые автор задаёт сообществу: Меняет ли графовый поиск ваши рабочие процессы с агентами, или длинный контекст побеждает? Какие MCP-инструменты помимо текущих 8? Выглядит ли методология SWE-bench обоснованной?