trailhq/Graft

解决的问题

编码代理在每次任务开始时都处于"盲态"，需要耗费大量 token、时间及工具调用来重新探索代码库以理解其结构和逻辑。Graft 提供了一个持久且可再生的上下文层，使代理只需在代码库上进行一次初始化，而无需在每次会话中重复进行。

工作原理

Graft 将代码库构建为一组存储在本地 graft/ 文件夹中的链接 Markdown 文件构成的图。它采用两步流程：

1. 结构分析：使用 tree-sitter 创建符号和调用边的确定性代码图，无需 LLM 参与。
2. LLM 摘要：LLM 对每个文件进行摘要，并将这些摘要分组为精心策划的节点（子系统、概念或关键文件），并添加类型化链接（例如 depends_on、implements）。

该图作为本地缓存（被 git 忽略）存储，并在查询前自动刷新，以确保反映当前工作树，包括未提交的修改。

适用人群

使用 Claude Code、Cursor、Gemini 或 Copilot 等 AI 编码代理，并希望在大型代码库中降低延迟、减少 API 成本、提升代理生成补丁准确性的开发者。

主要亮点

• 效率提升：基准测试显示，与“冷启动”代理会话相比，工具调用减少最多 46%，token 消耗减少 42%，延迟降低 60%。
• 准确性提升：SWE-bench Verified 的解决率从 54% 提升至 66%。
• 厂商中立：通过 API 密钥（OpenAI、Anthropic、OpenRouter 等）或本地模型支持任意 LLM 提供商。
• 广泛语言支持：支持 22 种语言，对 TypeScript/JavaScript、Python、Go、Java 和 R 提供全保真度提取器。
• 无缝集成：通过一条命令（graft init）即可完成设置，将工具无缝接入主流编码代理的原生指令文件。