Lore – donner à votre agent de code les décisions prises par votre équipe

Les agents de code modernes — Claude Code, Cursor, GitHub Copilot — souffrent d'un angle mort structurel : ils ignorent les décisions que les équipes ont déjà prises. Pourquoi tel framework a été écarté, pourquoi une architecture particulière a été retenue, quelles contraintes réglementaires s'appliquent à tel module. Ces informations existent en général dans des ADR (Architecture Decision Records), des documents Confluence ou des tickets, mais elles restent hors de portée de l'agent au moment de la génération de code. Lore, construit sur le moteur open-source RAC (Requirements as Code), propose une réponse à ce problème.

Le principe central de Lore repose sur une distinction explicite avec les approches de type RAG. Là où le RAG effectue une recherche par similarité sémantique — dont les résultats varient d'une exécution à l'autre selon les embeddings et les seuils —, Lore fonctionne de manière déterministe. Les artefacts (décisions, exigences, designs, roadmaps, prompts) sont stockés sous forme de fichiers Markdown typés avec un en-tête YAML minimal, directement dans le dépôt Git. Le serveur MCP (Model Context Protocol) les expose en lecture seule à l'agent. Pas d'embeddings, pas d'appels à un modèle pour décider ce qui est pertinent : la récupération retourne la décision exacte et actuelle, ou signale qu'elle a été remplacée.

Cette approche a des implications concrètes pour les équipes. L'agent ne peut pas modifier le corpus de connaissances : la frontière de confiance est la revue de code humaine via pull request. La validation est intégrée au pipeline CI via les commandes `rac validate` et `rac gate`, qui rejettent les artefacts malformés, les liens brisés ou les références à des décisions obsolètes avant qu'elles n'atterrissent dans la base. Le système est également conçu pour fonctionner en environnement isolé (air-gapped) : aucun appel réseau, aucun appel LLM de la part du moteur lui-même.

La compatibilité avec d'autres outils est explicitement documentée. Lore s'interface avec l'Open Knowledge Format (OKF) de Google via `rac export --okf`, permettant de transformer un dépôt RAC en bundle conforme. Des modes d'export en JSONL (`--documents`) et en graphe typé (`--graph`) permettent d'alimenter des backends RAG ou des bases de graphes externes — le positionnement assumé étant de composer avec ces outils plutôt que de les remplacer : recall flou dans le RAG, vérification déterministe dans Lore.

L'intégration côté agent s'effectue via le protocole MCP. Pour Claude Code, une commande suffit depuis la racine du dépôt (`claude mcp add lore -- rac mcp`). Pour Claude Desktop ou Cursor, une entrée JSON dans la configuration client suffit. Le projet fournit également une commande `rac-import` permettant de convertir un document existant — issu de Confluence, Notion ou d'un Markdown libre — en artefact valide, avec une étape de relecture humaine avant écriture.

Sur le plan technique, le moteur est distribué sous le nom de package `rac-core`, disponible sur PyPI et nécessitant Python 3.11 ou supérieur. Il expose une API Python publique (`rac.__all__`) permettant de parser des fichiers, classifier des artefacts et effectuer des recherches programmatiques. La base de code est principalement en Python (83 %), avec des composants HTML, TypeScript et JavaScript pour l'explorateur visuel (`rac explorer`) et le portail d'export.

Plusieurs questions restent ouvertes à ce stade. Le projet se décrit lui-même comme "early and evolving quickly" : la stabilité de l'API et des schémas de types n'est pas garantie à court terme. L'adoption dépend aussi de la discipline d'équipe pour maintenir les artefacts à jour — un corpus obsolète risque d'orienter l'agent aussi mal qu'un contexte absent. Par ailleurs, la couverture des agents est pour l'instant centrée sur Claude Code et Cursor ; l'intégration avec d'autres environnements (Copilot, agents autonomes via LangChain ou similaires) n'est pas documentée dans le dépôt actuel.

Le projet compte une deux centaine d'étoiles GitHub et 29 releases publiées, ce qui indique une activité de développement soutenue malgré un stade précoce. La licence Apache 2.0 facilite une adoption en contexte entreprise.