OpenLore：为 AI 编程代理提供本地优先的记忆与护栏

OpenLore 是一款面向 AI 编程代理（Claude Code、Cursor、Cline、Continue 等）的本地优先工具包，核心定位是「确定性记忆 + 变更护栏」，且在关键路径中不调用任何 LLM。开发者只需一行命令即可完成安装，工具会自动识别当前使用的代理环境、注册 MCP 服务并构建代码库索引，全程无需 API 密钥或额外配置。

记忆层：让代理「带着上下文开工」

OpenLore 对代码库执行一次性静态分析，生成可增量更新的知识图谱，覆盖调用结构、类型、测试、架构决策、IaC 配置以及规范漂移等维度。代理通过 orient(task) 一次调用，即可获得与当前任务相关的函数、其调用链、匹配的规范段落与插入点候选。在官方给出的 15k 节点图上，该调用 p50 延迟约 430µs。

为防止上下文陈旧，工具引入「认知租约」（Epistemic Lease）机制：当缓存事实因代码变更或仓库迁移而失效时，会主动告知代理，避免其在陈旧假设上做决策。跨语言的死代码检测以「标记—清扫」方式实现，仅输出置信度标签，不拥有删除权限。

治理层：在变更落地前设卡

OpenLore 提供一组确定性护栏，覆盖从变更评估到提交拦截的全流程：

• change_impact_certificate：差分式判断 diff 是否「新增」了进入敏感边界的可达路径；
• certify_public_surface：对每个被修改的导出符号给出「破坏 / 非破坏 / 可能破坏」三类裁决，并指出仓库内受影响的下游；
• check_architecture：在 import 写入前对照声明的分层与禁止规则做预检；
• verify_claim：对代理的断言做「确认 / 反驳 / 不可证」裁决并返回引用凭据；
• openlore enforce：在提交门禁处合并所有治理结论，按 enforcement.policy 决定是否拦截，默认为「建议」而非阻断。

实测数据与定位

官方展示了一次完整录制：在对 ripgrep 的全新克隆上，OpenLore 在 14 秒内完成 235 个文件、2,978 个函数、4,329 条调用边的索引；随后通过 orient 定位任务代码，review 捕获了一次导致 39 个调用方失效的签名变更，prove 输出改动收益。其自报基准显示，在大型仓库的深度任务上，代理往返次数下降 26%，并公开了对应的失败用例。

需要指出的是，OpenLore 解决的问题——为 AI 编程代理提供持久的代码库结构记忆与变更前安全审查——属于当下 AI 辅助开发工具的明确痛点，但该项目整体定位仍是面向特定工作流的工程化补充，而非替代主流 LLM 或主流 IDE。适合在 Claude Code、Cursor 等已有代理框架内、需要长期维护的中大型代码库中试点；小型脚本或一次性任务则收益有限。