kunal12203/GrapeRoot

解决的问题

GrapeRoot 的设计目标是减少 AI 编程助手相关的耗时和 token 成本。它不会强迫 AI 通过工具调用（如搜索符号或追踪路径）多次探索代码库，而是在 AI 接收问题之前，就将最相关的代码上下文预加载到提示中。

工作原理

GrapeRoot 作为一个位于用户与 AI 助手之间的启动器运行。其工作流程如下：

1. 图扫描：将文件、函数、类和导入关系提取为存储在项目目录中的本地语义图。
2. 上下文检索：当提出问题时，图会自动对最相关的文件进行排序并打包进提示中。
3. 会话记忆：系统会跟踪哪些文件被读取、编辑或查询过，未来交互中给予更高权重，使后续交互更高效。
4. MCP 工具：提供图感知工具（如 graph_read 和 graph_retrieve），供 AI 在必要时进行更深入的探索。

适用人群

使用 AI 编程助手（如 Claude Code、Cursor、GitHub Copilot 或 Gemini CLI）且处理大型代码库，希望降低延迟、token 使用量以及完成任务所需回合数的开发者。

主要亮点

• 预加载上下文：消除 AI 助手通常花费回合搜索代码的“探索阶段”。
• 广泛工具支持：兼容多种 AI 工具，包括 Claude Code、Cursor 和 OpenAI Codex CLI。
• 本地处理：所有语义图处理均在本地机器上完成。
• 实证性能：基准测试显示，架构设计任务的成本显著降低（最高达 81%），任务平均回合数从 11.7 降至 3.5。