jgravelle/jcodemunch-mcp

解決的問題

AI Agent 通常透過讀取整個檔案來探索程式碼庫，這會浪費 Token 並使上下文窗口充斥無關程式碼。jCodeMunch 提供了一種結構化的方式，僅檢索任務所需的特定程式碼符號（函數、類別、方法、常數），在檢索密集型工作流中可減少 95% 或更多的 Token 使用量。

工作原理

該專案使用 tree-sitter AST 解析對程式碼庫進行一次性索引，以儲存結構化的符號元數據和位元組偏移量。Agent 無需暴力讀取，而是可以透過查詢索引來尋找確切的實作並僅檢索必要的程式碼片段。它還具有一種稱為 "MUNCH" 的緊湊線纜格式，透過對路徑前綴進行駐留（interning）並使用無損緊湊編碼，進一步減少傳送給 Agent 的位元組數。

適用對象

使用 MCP 相容的 AI Agent 和 IDE（如 Claude Code、Cursor、Windsurf 和 VS Code）並希望降低 AI Token 成本、提高上下文準確性並加快程式碼庫探索速度的開發者。

亮點

• 精確檢索：獲取確切的符號實作，而非整個檔案。
• 任務編排：assemble_task_context 和 plan_turn 等工具允許 Agent 在 Token 預算內透過單次呼叫執行複雜的檢索序列。
• 結構化分析：提供原生工具所缺乏的能力，例如尋找匯入項、計算變更的影響範圍（blast radius）以及檢測死碼。
• Token 效率：結合基於 AST 的檢索和緊湊的輸出格式，最大限度地利用上下文窗口空間。
• 廣泛的相容性：適用於任何 MCP 相容的用戶端，並透過 tree-sitter 支援 70 多種語言。