jgravelle/jcodemunch-mcp

解决的问题

AI Agent 通常通过读取整个文件来探索代码库，这会浪费 Token 并使上下文窗口充斥无关代码。jCodeMunch 提供了一种结构化的方式，仅检索任务所需的特定代码符号（函数、类、方法、常量），在检索密集型工作流中可减少 95% 或更多的 Token 使用量。

工作原理

该项目使用 tree-sitter AST 解析对代码库进行一次性索引，以存储结构化的符号元数据和字节偏移量。Agent 无需暴力读取，而是可以通过查询索引来查找确切的实现并仅检索必要的代码片段。它还具有一种称为 "MUNCH" 的紧凑线缆格式，通过对路径前缀进行驻留（interning）并使用无损紧凑编码，进一步减少发送给 Agent 的字节数。

适用对象

使用 MCP 兼容的 AI Agent 和 IDE（如 Claude Code、Cursor、Windsurf 和 VS Code）并希望降低 AI Token 成本、提高上下文准确性并加快代码库探索速度的开发者。

亮点

• 精确检索：获取确切的符号实现，而非整个文件。
• 任务编排：assemble_task_context 和 plan_turn 等工具允许 Agent 在 Token 预算内通过单次调用执行复杂的检索序列。
• 结构化分析：提供原生工具所缺乏的能力，例如查找导入项、计算变更的影响范围（blast radius）以及检测死代码。
• Token 效率：结合基于 AST 的检索和紧凑的输出格式，最大限度地利用上下文窗口空间。
• 广泛的兼容性：适用于任何 MCP 兼容的客户端，并通过 tree-sitter 支持 70 多种语言。