Lore : donne à ton agent IA les décisions de ton équipe
Pourquoi ça compte pour toi
Les agents IA (Claude Code, Cursor) réinventent constamment la roue — ignorent tes ADRs, tes choix d'architecture, tes contraintes métier. Lore les enferme dans un référentiel git de Markdown typé, que l'agent consulte obligatoirement avant de coder. Zéro hallucination, zéro RAG flou : du déterministe, point.
Ce qu'il faut retenir
- 1.Stocke tes décisions, designs et feuilles de route en Markdown versionné, consultable par Claude Code et Cursor via MCP
- 2.Valide et renforce au merge : rac validate rejette les artefacts malformés, les liens cassés, les décisions contredites
- 3.Pas de réseau, pas d'appels LLM : le moteur fonctionne en mode isolé, la récupération est déterministe et reproductible
Tu galères avec le jargon ?
Lis la version réécrite en mode débutant — toutes les idées, sans le jargon.
Comment ça marche
Lore repose sur RAC (Requirements as Code), un moteur qui classe et valide du Markdown typé. Chaque artefact — décision, feuille de route, prompt — vit dans ton repo avec un frontmatter YAML minimaliste. L'agent y accède en lecture seule via MCP : il ne peut pas écrire, ne peut pas contourner.
Setup en 3 commandes
pip install rac-core
rac quickstart # scaffold identité + premier artefact
ray mcp add lore -- rac mcp # connecte Claude Code
Ensuite, chaque PR qui modifie rac/ passe par rac validate et rac gate en CI. Artefact cassé ? Lien mort ? Décision contredite ? Le merge bloque. C'est ton garde-fou.
Vs RAG, vs agent memory
La vraie différence : la récupération approximative (RAG) trouve ce qui ressemble à ta question. Lore retourne la décision exacte et à jour, rejette les décisions annulées. Ils se combinent bien : récupère en flou via RAG, vérifie dans Lore.
CLI et export
- ▸
rac new decision adr.md: génère un artefact typé (avec ID) - ▸
rac review rac/: audit complet, pires problèmes d'abord - ▸
rac export rac/ --html: génère un portail (ton graphe entier en une page) - ▸
rac export rac/ --documents: exporte en JSONL pour alimenter d'autres mémoires
Python ? Le moteur est une lib : from rac import parse_file, classify, find_artifacts.
Qui ça concerne
Équipes qui utilisent Claude Code / Cursor intensivement et sont lasses de voir l'agent ignorer les choix déjà faits. Équipes qui rédigent des ADRs mais veulent que ça compte vraiment. Tous ceux qui veulent le pourquoi du code versionné avec le code.
Projet en cours de développement, Apache 2.0, contributions bienvenues.
Et concrètement pour toi ?
Choisis ton profil — la lecture de l'article change selon qui tu es.
Pour toi, retiens que les agents IA deviennent utiles seulement si tu les instruis explicitement — Lore montre qu'une simple base Markdown versionée suffit à les rendre fiables, sans réseau ni magie IA. C'est rassurant : l'IA n'échappe pas au contrôle humain.
Essayer maintenant
Installer Lore et commencer →Source
Pour aller plus loin
Cet article t'a donné envie d'approfondir ? Deux formations Noésis t'attendent :
Explorer les thèmes de cet article :