8言語を同じ「知識の形」で扱う構想

TypeScript、Java、C#、Python、Rust、Go、C、C++のコードから、宣言、依存関係、公開API、条件、呼び出し箇所などを抽出し、共通の形式にまとめる——それが提案RFC「Universal Distillation」の狙いです。

設計の流れは、読み取り専用のスナップショットを作り、言語別アダプターで解析し、共通の意味表現（IR）へ変換。その後、必須情報の参照関係を保ったまま符号化し、実際の配信フレームを計測して消費側へ渡します。

ただし、これは完成済みシステムの紹介ではありません。提案書が示すのは、既存の仕組みから再利用できる考え方と、これから検証すべき設計です。

18,869バイトの実績が示す範囲

提示された過去の記録では、FastCodeの5ファイルを対象にしたコア配信が18,869バイトでした。同じ記録には、インポート79件、定義84件、静的依存参照79件が含まれています。一方で、呼び出し式751件はすべて省略され、そのうち16件はP2、735件はP3として扱われていました。したがって、この結果は「限定された範囲のコアを配信できた」証拠であり、プログラムの意味全体を無損失で収めた証明ではありません。

また、記録された40件の回帰テストは成功していますが、それだけでシステム全体の検証が完了したとは言えません。現在の抽出情報についても、名前や分類などは扱えている一方、引数、戻り値、既定値、ジェネリック制約などの契約情報をすべて保存できているかは別途確認が必要とされています。

共通IRが担うもの

提案するIRでは、情報をおおむね次の4種類に分けます。

• パッケージ／名前空間：宣言をまとめる論理的な範囲
• モジュール／ファイル：内容と出所を特定できるソース単位
• 契約ノード：型、インターフェース、構造体、列挙型、公開変数など
• 呼び出し可能ノード：関数、メソッド、コンストラクターなど

依存、実装、呼び出し、継承も別々の関係として記録し、出所、条件、解決状態を添えます。ソースに参照が書かれていることと、実行時にその関係が成立することは同じではありません。動的呼び出しや構造的に成立するインターフェース実装など、確定できない関係は「不明」として残し、推測で確定扱いしない方針です。

言語ごとの違いはアダプターに閉じ込める

各言語では「公開」の意味が異なります。TypeScriptなら型としてのエクスポートと実行時の値、再エクスポート、パッケージの入口設定を区別する必要があります。378 Pythonの名前先頭のアンダースコアは慣習であり、アクセス制御そのものではありません。Rustではモジュール階層や再エクスポート経路、CやC++ではヘッダーに宣言があることとバイナリから公開されていることを混同できません。

このため、IR側で単純な「公開／非公開」の真偽値に押し込めず、アクセス指定、対象範囲、条件、判断理由、根拠の強さを分けて持つ案です。必須の公開候補かどうかを証明できない場合は、条件付きまたは不明として保持します。容量を理由に推測で非公開へ分類することはしません。

Tree-sitterは構文解析の土台。意味解析の代替ではない

提案では、重いコンパイラーを対象環境に導入せず、事前に用意したTree-sitterの解析ランタイムと各言語の文法を使う方向です。Tree-sitterはソースから具体構文木を作る解析ライブラリーであり、クエリーは構文ノードに対するパターンとして記述します。1116 これは構文の整理には有効ですが、型検査、マクロ展開、リンク、実行時の派生挙動まで再現するものではありません。

また、事前コンパイル済みの文法が対象環境で使えるか、ABIや依存関係、ライセンスが適切かを確認する必要があります。Tree-sitterのPythonバインディングにも、対応する言語ABIの範囲があります。13 8言語分のパッケージや構文ノードの詳細は、提案時点で十分に検証されていないため、アダプターを本番採用する前の門番となります。

24,576バイトの上限と「無損失」の境界

提案が置く物理的な上限は、1フレームあたり24,576バイトです。ただし、これは既存のすべての配信枠を引き上げる許可ではありません。既存V2のAには22,016バイト、Bには12,288バイトという別の上限があり、変更せず維持する方針です。

ここで重要なのは、無損失を一つの言葉で扱わないことです。選択した記録を符号化・復号して同一に戻せること、宣言された範囲の必須情報をすべて含めること、そして実行時を含むプログラム全体の意味を把握することは、それぞれ異なる水準です。この提案が目指すのは主に前二者であり、プログラムのあらゆる挙動を保証するものではありません。

必須情報の量に上限がない一方で、配信枠を固定すれば、どんなプロジェクトも一つのフレームに収めることはできません。そこで、必須コアが収まれば配信し、超過したら明示的に停止する設計を提案しています。必須情報を黙って削って「完全」と表示することはしません。ページ分割などを導入するなら、それは別途承認する配信方式であり、「全知識を単一フレームに収めた」とは区別されます。

4段階で広げる計画

ロードマップは、まずPythonで共通IRと旧仕様との互換性を固め、次に事前コンパイル済みの解析基盤とGo・TypeScriptを導入。その後、Java・C#、最後にRust・C・C++へ広げる構成です。各段階で、固定したテスト対象、独立した期待値、ソース範囲の照合、実フレームサイズ、失敗時の挙動を確認します。

ベンチマーク候補には、TypeScriptのRedux、JavaのSpring Framework、C#のASP.NET Core、Rustのripgrep、GoのGin、CのRedis、C++のfmtが挙げられています。これらは今後の検証候補であり、すでに解析・計測を終えたという意味ではありません。LOCやファイル数だけで規模をそろえず、契約数、依存数、署名の長さ、条件の複雑さなども比較する計画です。

結論：設計の方向は示されたが、8言語対応はこれから

提案の強みは、言語別の知識と配信制御を分離し、必須情報を保てないときは失敗を隠さない点にあります。一方、既存の証拠は限定されたPythonの結果であり、8言語すべての可視性ルール、文法パッケージ、容量、独立評価が確認されたわけではありません。

現段階で妥当なのは、共通IR、保守的な言語アダプター、必須情報の閉包、フレーム単位の計測を備えた条件付きの設計案として評価することです。「任意のコードを24KB以内で完全に蒸留できる」という約束ではなく、範囲を定めて検証し、収まらない場合にはその事実を正しく示す基盤を目指しています。

8言語を同じ「知識の形」で扱う構想

TypeScript、Java、C#、Python、Rust、Go、C、C++のコードから、宣言、依存関係、公開API、条件、呼び出し箇所などを抽出し、共通の形式にまとめる——それが提案RFC「Universal Distillation」の狙いです。

設計の流れは、読み取り専用のスナップショットを作り、言語別アダプターで解析し、共通の意味表現（IR）へ変換。その後、必須情報の参照関係を保ったまま符号化し、実際の配信フレームを計測して消費側へ渡します。

ただし、これは完成済みシステムの紹介ではありません。提案書が示すのは、既存の仕組みから再利用できる考え方と、これから検証すべき設計です。

18,869バイトの実績が示す範囲

提示された過去の記録では、FastCodeの5ファイルを対象にしたコア配信が18,869バイトでした。同じ記録には、インポート79件、定義84件、静的依存参照79件が含まれています。一方で、呼び出し式751件はすべて省略され、そのうち16件はP2、735件はP3として扱われていました。したがって、この結果は「限定された範囲のコアを配信できた」証拠であり、プログラムの意味全体を無損失で収めた証明ではありません。

また、記録された40件の回帰テストは成功していますが、それだけでシステム全体の検証が完了したとは言えません。現在の抽出情報についても、名前や分類などは扱えている一方、引数、戻り値、既定値、ジェネリック制約などの契約情報をすべて保存できているかは別途確認が必要とされています。

共通IRが担うもの

提案するIRでは、情報をおおむね次の4種類に分けます。

• パッケージ／名前空間：宣言をまとめる論理的な範囲
• モジュール／ファイル：内容と出所を特定できるソース単位
• 契約ノード：型、インターフェース、構造体、列挙型、公開変数など
• 呼び出し可能ノード：関数、メソッド、コンストラクターなど

依存、実装、呼び出し、継承も別々の関係として記録し、出所、条件、解決状態を添えます。ソースに参照が書かれていることと、実行時にその関係が成立することは同じではありません。動的呼び出しや構造的に成立するインターフェース実装など、確定できない関係は「不明」として残し、推測で確定扱いしない方針です。

言語ごとの違いはアダプターに閉じ込める

各言語では「公開」の意味が異なります。TypeScriptなら型としてのエクスポートと実行時の値、再エクスポート、パッケージの入口設定を区別する必要があります。378 Pythonの名前先頭のアンダースコアは慣習であり、アクセス制御そのものではありません。Rustではモジュール階層や再エクスポート経路、CやC++ではヘッダーに宣言があることとバイナリから公開されていることを混同できません。

このため、IR側で単純な「公開／非公開」の真偽値に押し込めず、アクセス指定、対象範囲、条件、判断理由、根拠の強さを分けて持つ案です。必須の公開候補かどうかを証明できない場合は、条件付きまたは不明として保持します。容量を理由に推測で非公開へ分類することはしません。

Tree-sitterは構文解析の土台。意味解析の代替ではない

提案では、重いコンパイラーを対象環境に導入せず、事前に用意したTree-sitterの解析ランタイムと各言語の文法を使う方向です。Tree-sitterはソースから具体構文木を作る解析ライブラリーであり、クエリーは構文ノードに対するパターンとして記述します。1116 これは構文の整理には有効ですが、型検査、マクロ展開、リンク、実行時の派生挙動まで再現するものではありません。

また、事前コンパイル済みの文法が対象環境で使えるか、ABIや依存関係、ライセンスが適切かを確認する必要があります。Tree-sitterのPythonバインディングにも、対応する言語ABIの範囲があります。13 8言語分のパッケージや構文ノードの詳細は、提案時点で十分に検証されていないため、アダプターを本番採用する前の門番となります。

24,576バイトの上限と「無損失」の境界

提案が置く物理的な上限は、1フレームあたり24,576バイトです。ただし、これは既存のすべての配信枠を引き上げる許可ではありません。既存V2のAには22,016バイト、Bには12,288バイトという別の上限があり、変更せず維持する方針です。

ここで重要なのは、無損失を一つの言葉で扱わないことです。選択した記録を符号化・復号して同一に戻せること、宣言された範囲の必須情報をすべて含めること、そして実行時を含むプログラム全体の意味を把握することは、それぞれ異なる水準です。この提案が目指すのは主に前二者であり、プログラムのあらゆる挙動を保証するものではありません。

必須情報の量に上限がない一方で、配信枠を固定すれば、どんなプロジェクトも一つのフレームに収めることはできません。そこで、必須コアが収まれば配信し、超過したら明示的に停止する設計を提案しています。必須情報を黙って削って「完全」と表示することはしません。ページ分割などを導入するなら、それは別途承認する配信方式であり、「全知識を単一フレームに収めた」とは区別されます。

4段階で広げる計画

ロードマップは、まずPythonで共通IRと旧仕様との互換性を固め、次に事前コンパイル済みの解析基盤とGo・TypeScriptを導入。その後、Java・C#、最後にRust・C・C++へ広げる構成です。各段階で、固定したテスト対象、独立した期待値、ソース範囲の照合、実フレームサイズ、失敗時の挙動を確認します。

ベンチマーク候補には、TypeScriptのRedux、JavaのSpring Framework、C#のASP.NET Core、Rustのripgrep、GoのGin、CのRedis、C++のfmtが挙げられています。これらは今後の検証候補であり、すでに解析・計測を終えたという意味ではありません。LOCやファイル数だけで規模をそろえず、契約数、依存数、署名の長さ、条件の複雑さなども比較する計画です。

結論：設計の方向は示されたが、8言語対応はこれから

提案の強みは、言語別の知識と配信制御を分離し、必須情報を保てないときは失敗を隠さない点にあります。一方、既存の証拠は限定されたPythonの結果であり、8言語すべての可視性ルール、文法パッケージ、容量、独立評価が確認されたわけではありません。

現段階で妥当なのは、共通IR、保守的な言語アダプター、必須情報の閉包、フレーム単位の計測を備えた条件付きの設計案として評価することです。「任意のコードを24KB以内で完全に蒸留できる」という約束ではなく、範囲を定めて検証し、収まらない場合にはその事実を正しく示す基盤を目指しています。