trailhq/Graft

해결하는 문제

코딩 에이전트는 일반적으로 모든 작업을 "눈먼 상태"에서 시작하여, 코드베이스의 구조와 로직을 이해하기 위해 상당한 토큰, 시간, 도구 호출을 다시 소비합니다. Graft는 지속 가능하고 재생 가능한 컨텍스트 레이어를 제공하여, 에이전트가 코드베이스에 한 번만 온보딩하면 되며, 각 세션마다 반복적으로 탐색할 필요가 없도록 합니다.

작동 방식

Graft는 graft/ 폴더에 로컬에 저장된 링크된 마크다운 파일 세트로 코드베이스의 그래프를 구축합니다. 두 단계 프로세스를 사용합니다:

1. 구조 분석: LLM이 필요 없이 tree-sitter를 사용하여 심볼과 호출 엣지의 결정론적 코드 그래프를 생성합니다.
2. LLM 요약: LLM이 각 파일을 요약하고, 이러한 요약을 커리레이티드 노드(서브시스템, 개념, 또는 핵심 파일)로 그룹화하며, 타입이 지정된 링크(예: depends_on, implements)를 추가합니다.

이 그래프는 git에 의해 무시되는 로컬 캐시로 저장되며, 쿼리 전에 자동으로 갱신되어 현재 작업 트리(미커밋된 수정 포함)를 반영합니다.

대상 사용자

Claude Code, Cursor, Gemini, Copilot와 같은 AI 코딩 에이전트를 사용하여 대규모 코드베이스에서 지연 시간을 줄이고, API 비용을 낮추며, 에이전트 생성 패치의 정확성을 향상시키고자 하는 개발자에게 적합합니다.

주요 특징

• 효율성 향상: 벤치마크 결과, "콜드" 에이전트 세션 대비 최대 46% 적은 도구 호출, 42% 적은 토큰, 60% 낮은 지연 시간을 기록했습니다.
• 정확성 향상: SWE-bench Verified의 해결률이 54%에서 66%로 상승했습니다.
• 벤더 중립성: OpenAI, Anthropic, OpenRouter 등 API 키를 통해 어떤 LLM 제공자도 지원하거나, 로컬 모델도 사용 가능합니다.
• 광범위한 언어 지원: 22개 언어를 지원하며, TypeScript/JavaScript, Python, Go, Java, R에 대해 완전한 정밀도 추출기 제공.
• 무결성 있는 통합: graft init이라는 단일 명령어로, 인기 있는 코딩 에이전트의 네이티브 인스트럭션 파일에 도구를 쉽게 연결할 수 있습니다.