colbymchenry/codegraph

解決的問題

AI Agent 通常透過重複讀取檔案、使用 grep 並手動重建呼叫路徑來發現程式碼結構。這個過程緩慢、消耗 Token 且成本高昂。CodeGraph 透過為程式碼庫中的每個符號、呼叫邊與依賴關係提供預建的語義知識圖譜來解決此問題，允許 Agent 透過單次呼叫檢索精準上下文，而不是逐個遍歷檔案。

工作原理

CodeGraph 使用 Rust 驅動的核心，在多種程式語言中執行完整的結構提取與跨檔案解析。它構建一個本地索引（儲存在 .codegraph/ 中），並提供一個 AI Agent 可以查詢的 MCP (Model Context Protocol) 伺服器。該系統包含自動同步功能，可以監控檔案變更並即時更新圖譜，確保索引永不過時。

適用對象

使用 Claude Code、Cursor、GitHub Copilot、Gemini 等 AI 程式碼 Agent 的開發者，他們希望在處理大型或複雜程式碼庫時，減少工具呼叫次數、降低 Token 成本並提高 Agent 的回應速度。

亮點

• 廣泛的語言支援：支援包括 TypeScript、Python、Go、Rust、Java、C#、PHP、Ruby、C/C++、Swift、Kotlin 在內的多種語言。
• 100% 本地化：圖譜在使用者本地機器上構建並儲存。
• 效能提升：基準測試顯示，與檔案讀取型 Agent 相比，工具呼叫次數顯著減少（最多減少 88%），回應速度更快（最快提升 3.6 倍）。
• 精準上下文：使 Agent 無需按順序讀取每個檔案即可識別呼叫路徑與變更的影響範圍 (blast radius)。
• 零配置同步：隨著檔案的修改、新增或刪除，自動更新索引。