trailhq/Graft

解決的問題

編碼代理在每次任務開始時都處於「盲點」狀態，需耗費大量 token、時間與工具呼叫，重新探索程式碼庫以理解其結構與邏輯。Graft 提供一個持久且可再生的上下文層，讓代理只需一次初始化即可上手程式碼庫，無需每次會話都重複探索。

工作原理

Graft 將程式碼庫建構為一組儲存在本地 graft/ 資料夾中的連結 Markdown 檔案所組成的圖。它採用兩階段流程：

1. 結構分析：使用 tree-sitter 建立符號與呼叫邊的決定性程式碼圖，無需 LLM 參與。
2. LLM 摘要：LLM 對每個檔案進行摘要，並將這些摘要分組為精心策劃的節點（子系統、概念或關鍵檔案），並加入類型化連結（例如 depends_on、implements）。

此圖以本地快取（被 git 忽略）形式儲存，並在查詢前自動更新，確保反映目前的工作樹，包含未提交的修改。

適用對象

使用 Claude Code、Cursor、Gemini 或 Copilot 等 AI 編碼代理，並希望在大型程式碼庫中降低延遲、減少 API 成本、提升代理生成修補程式準確性的開發者。

主要亮點

• 效率提升：基準測試顯示，與「冷啟動」代理會話相比，工具呼叫減少最多 46%，token 消耗減少 42%，延遲降低 60%。
• 準確性提升：SWE-bench Verified 的解決率從 54% 提升至 66%。
• 廠商中立：透過 API 金鑰（OpenAI、Anthropic、OpenRouter 等）或本地模型，支援任意 LLM 提供商。
• 廣泛語言支援：支援 22 種語言，對 TypeScript/JavaScript、Python、Go、Java 和 R 提供全保真度提取器。
• 無縫整合：透過一條指令（graft init）即可完成設定，將工具無縫接入主流編碼代理的原生指令檔案。