Lore：让编码智能体遵循团队既定的决策

背景

随着 AI 编码助手（如 Claude Code、Cursor）在开发流程中的普及，一个日益突出的痛点浮现出来：智能体往往忽略团队已经做出的技术决策，导致重复造轮子或违反既定规范。传统的解决方案如 RAG（检索增强生成）或智能体记忆，虽然能模糊地找到相关信息，但缺乏确定性，容易引入过时或错误的上下文。

在此背景下，Lore 应运而生。它并非一个通用的搜索索引或记忆工具，而是一个基于 RAC (Requirements as Code) 开源引擎构建的“确定性事实来源”（System of Record）。Lore 旨在将团队的需求、决策、设计、路线图和提示词以类型化的 Markdown 格式存储在代码仓库中，并通过 MCP（Model Context Protocol）以只读方式提供给 AI 智能体。其核心理念是“确定性检索”——确保智能体引用的是当前有效的决策，而不是被废弃的旧方案，且整个过程无需嵌入向量或调用模型来判断相关性。

核心内容

Lore 通过一套严谨的工程化流程，将非结构化的团队知识转化为智能体可理解且必须遵循的结构化数据。其核心机制如下：

1. 确定性知识存储与类型化

Lore 的核心引擎是 RAC (Requirements as Code)。所有知识资产（如架构决策记录 ADR、需求、设计文档）均以带有元数据（frontmatter）的纯 Markdown 文件形式存在于代码仓库中。

• 类型化验证：引擎会对每个文件进行确定性分类，并根据预定义的 Schema 验证其完整性。
• 版本控制：所有决策随代码一同版本化，确保“为什么这样做”（Why）与代码本身同步演进。

2. 读写分离与只读服务

• 写入时强制（Enforced at Write Time）：在 CI/CD 流水线中，通过 rac validate 和 rac gate 命令拦截错误。任何格式错误、链接断裂或引用了已废止决策的知识都无法进入仓库。
• 读取时只读（Read-only at Serve Time）：MCP 服务器仅负责读取，智能体无法修改知识库。信任边界在于人类对 PR（Pull Request）的审查，从而保证知识库的权威性。

3. 与 AI 智能体的集成

Lore 通过 MCP 协议与主流 AI 编码工具无缝集成：

• Claude Code：通过 claude mcp add lore -- rac mcp 命令连接。
• Cursor / Claude Desktop：在客户端配置文件中指定 mcpServers，指向 rac 命令及仓库根目录。
• 交互逻辑：智能体在生成代码时，会查询 Lore 以获取当前的决策上下文，从而避免违反团队规范。

4. 混合检索策略：模糊召回，精确验证

Lore 并不排斥 RAG，而是与其互补。

• RAG 负责召回：利用向量搜索模糊地找到潜在相关的上下文。
• Lore 负责验证：在模糊召回的基础上，通过 Lore 确定性地验证这些上下文是否为当前有效的决策。
• 导出支持：Lore 支持导出为 HTML 门户、OKF（Open Knowledge Format）包、JSONL（供 RAG 后端使用）或图数据，便于与其他工具链集成。

5. 现有知识的迁移

对于已有 Confluence、Notion 或松散 Markdown 文档的团队，Lore 提供了 rac-import 智能体技能。用户只需通过自然语言指令，即可将现有文档转换为符合 Lore 规范的类型化资产，并经过人工审核后写入仓库。

6. 安全与隐私设计

• 空气隔离（Air-gapped by design）：引擎本身不进行任何 LLM 调用或网络请求。
• 遥测控制：唯一的出站流量是默认关闭的、无内容的用量统计 ping。企业版可通过 rac telemetry off --enterprise 证明其完全离线运行，满足严格的安全合规要求。

关键要点

• 确定性优于模糊性：Lore 的核心价值在于提供“确定性”的知识检索，而非 RAG 的“概率性”匹配。它确保智能体引用的是确切、当前有效的决策。
• RAC 引擎驱动：Lore 是 RAC 的产品化表面，底层包、CLI 和 MCP 服务器均归属于 rac 命名空间。RAC 负责在写入时强制执行 Schema 和关系验证。
• CI/CD 前置拦截：通过 rac validate 和 rac gate，在知识入库前就拒绝格式错误、链接失效或引用过时决策的内容，从源头保证知识质量。
• 与 OKF 标准兼容：RAC 采用 Google 的 Open Knowledge Format (OKF) 作为载体（Git 树中的 Markdown + YAML frontmatter），并在此基础上增加了写入时的强制验证，两者互补而非竞争。
• 轻量级且可组合：Lore 本身不处理运行时路由（该功能由 Wayfinder 处理），专注于知识管理。它可以通过导出功能与外部 RAG、图数据库或记忆后端组合使用。
• 适用场景：
  • 重度使用 Claude Code、Cursor 等编码智能体的团队。
  • 已有 ADR（架构决策记录）但希望这些决策能实际影响智能体行为的团队。
  • 希望将软件开发的“决策背景”版本化并与代码同步的团队。

意义与影响

Lore 的出现标志着 AI 辅助开发从“单点智能”向“组织智能”的演进。

1. 解决智能体“遗忘”与“违规”痛点：传统 RAG 容易因语义相似性召回过时信息，导致智能体生成违反团队规范代码。Lore 通过确定性验证，确保智能体严格遵循团队共识，降低了代码审查成本和回归风险。
2. 知识工程的工程化：Lore 将原本分散在文档、Wiki 或记忆中的隐性知识，转化为代码仓库中可版本控制、可验证、可自动化的结构化资产。这使得“需求即代码”（Requirements as Code）的理念真正落地。
3. 人机协作的新范式：通过 MCP 协议，Lore 充当了人类决策与 AI 执行之间的“宪法”。人类负责制定和审查规则（PR 审查），AI 负责在规则约束下高效执行。这种分工明确了责任边界，提升了 AI 在复杂企业环境中的可信度。
4. 开源生态的补充：作为 RAC 引擎的产品化体现，Lore 填补了开源领域在“确定性 AI 上下文管理”方面的空白。它与 OKF 标准的兼容，也为行业建立统一的 AI 知识交换格式提供了实践参考。

对于追求高质量、高一致性代码生成的工程团队而言，Lore 提供了一种将团队智慧“固化”并“自动化”给 AI 的有效路径。