把代码库解析成持久化知识图谱的 MCP Server:用 tree-sitter 解析 158 种语言的 AST,对 Python、TypeScript/JS/TSX、PHP、C#、Go、C/C++、Java、Kotlin、Rust 这 9 种语言叠加 Hybrid LSP 做语义类型推导,生成函数、类、调用链、HTTP 路由与跨服务链接的图。AI 编码 agent 通过 14 个 MCP 工具查询这张图——搜索符号、追踪调用路径、检测死代码、分析变更影响、执行 Cypher 图查询——替代逐文件 grep/read 循环。单个静态 C 二进制,零运行时依赖,全部处理在本地完成。一条安装命令自动检测并配置 Claude Code、Codex CLI、Gemini CLI、OpenCode 等 11 个 agent。配套论文在 31 个仓库上作者自测:83% 回答质量,10× 更少 token,2.1× 更少工具调用(对比逐文件搜索)。

社区实测

通过知识图谱大幅减少代码探索的 token 消耗,但准确度有折损,更适合快速理解代码结构而非替代逐文件审查

• 大幅降低结构性查询的 token 消耗:5 个问题从 ~412K token 降至 ~3.4K token,平均节省约 20 倍
• 快速索引大型代码库:Linux 内核(2800 万行)约 3 分钟完成索引
• 查询响应极快:关系遍历 <1ms,死代码检测约 150ms
• 自动检测并配置 11 种编码代理,安装即用
• 单 Go 二进制、无 Docker、无外部数据库、无 API Key
• 支持 64 种语言,文件变更自动同步

• 答案准确度约 83%,低于逐文件探索的 92%,存在约 9 个百分点的准确度折损
• 生产环境关键决策仍需人工验证
• MCP 集成可能存在兼容性问题(有用户反馈集成未生效)

来源

codebase-memory-mcp Review: 99% Token Cut for Code AgentsI built an MCP server that gives coding agents a knowledge graph of your codebaseHey, codebase-memory-mcp and semble are not exactly ...

截至 2026-07-19