一个本地优先的代码情报工具，把任意代码库变成可查询的“知识图谱”，专门喂给 AI 编程智能体。一行命令上手，数据全程不出本机。

一、AI IDE的共同痛点：慢、贵、还经常“找不准”

用过 Claude Code、Cursor、Codex 这类 AI 编程助手的同学，大概率有过同样的感受：在大代码库里问问题，总是又慢又烧钱。

问题其实不在“思考”阶段，而在“找东西”阶段。 当一个 AI 智能体第一次探索一个陌生代码库时，它要先不断用 grep、glob、Read 这类工具，一个文件一个文件地翻，才能拼出“这段逻辑到底是怎么串起来的”。 仓库越大，这个“摸黑找路”的过程就越费 token、越拖慢响应。

CodeGraph 的思路非常直接：把“找东西”这一步提前做完。

它会预先解析整个代码库，把每一个符号（函数、类、方法……）、每一条关系（调用、引用、继承……）都建好索引，存进一个本地数据库。 之后，AI 智能体不再满仓库乱翻文件，而是像查字典一样直接查索引，几次调用就能拿到答案。

一句话概括：CodeGraph 就是给 AI 智能体准备的、预先构建好的代码搜索索引。

二、接上 CodeGraph，能省多少成本？

项目作者在 7 个真实的开源代码库上做了测试（每组取 4 次运行的中位数），接入 CodeGraph 后平均表现是这样的：

• 成本：便宜 35%
• Token 消耗：减少 57%
• 速度：提升 46%
• 工具调用次数：减少 71%

更重要的是：代码库越大，收益越明显。 在一些大型仓库上，智能体甚至可以做到几乎零文件读取——结构性问题全部直接从索引中回答。

（以上数据来自官方自测，仅供参考，实际效果以你的项目和使用习惯为准。）

三、CodeGraph 怎么工作？四步把代码变成“知识图谱”

从工程视角看，CodeGraph 的工作流可以拆成四个阶段：

1. 提取（Extraction）
2. 存储（Storage）
3. 解析（Resolution）
4. 自动同步（Auto-sync）

1. 提取：基于 AST 的确定性解析

CodeGraph 使用 tree-sitter 把源代码解析成抽象语法树（AST），再针对不同语言运行专门的查询，从中提取出：节点（函数、类、方法、类型……）以及边（调用、导入、继承、实现……）。

这一步有一个关键设计：全程不依赖大模型总结，只基于 AST 做确定性分析。 好处是结果稳定、可复现，不会因为“模型状态”不同而出现理解偏差。

2. 存储：一个本地 SQLite 数据库搞定

所有解析好的数据最终会落到一个本地 SQLite 数据库里：.codegraph/codegraph.db。 它启用了 FTS5 全文检索，既可以按结构查，也可以按文本查。 性能优先使用原生 better-sqlite3，在不支持的环境中会自动回退到 WASM 后端，你可以通过 codegraph status 查看当前后端。

3. 解析：把各种引用“接通”

提取完只是“拆零件”，解析阶段要做的，是把各种引用和调用真正“接通”：

• 函数调用映射到对应定义
• 导入映射到源文件
• 类继承关系梳理清楚
• 针对一些框架内的特殊模式做补充识别

对于静态分析难以追踪的动态分发场景（回调、观察者模式、React 重渲染、JSX 子组件等），CodeGraph 会利用合成器（synthesizer）来“搭桥”，尽可能把调用链填完整。

4. 自动同步：写代码的同时图谱自动更新

在本地跑 MCP 服务时，CodeGraph 会利用系统原生的文件事件（macOS 的 FSEvents、Linux 的 inotify、Windows 的 ReadDirectoryChangesW）监听项目目录。 文件一旦发生变动，变更会被去抖动处理，只对源代码部分做增量更新，图谱几乎实时保持最新。

你只管写代码，CodeGraph 在后台默默帮你维护最新的“代码知识图谱”。

四、图谱里到底存了什么？

从概念上讲，CodeGraph 存了三类核心信息：

• 节点（Nodes）：符号和文件
• 边（Edges）：节点之间的关系
• 文件（Files）

每个节点和边都有一个精确的 kind 类型，来自一套固定的词汇表，这样跨语言查询时语义可以保持一致。

常见节点类型包括：file、module、class、struct、interface、function、method、property、variable、enum、namespace、route、component 等。 常见边类型包括：contains（包含）、calls（调用）、imports（导入）、extends（继承）、implements（实现）、references（引用）、returns（返回）、instantiates（实例化）、overrides（覆写）、decorates（装饰）等。

另外一个细节是来源标记（Provenance）：大多数边都来自 AST 解析，极少数在动态分发边界被“合成”的边会标记为 provenance: 'heuristic'，并附带对应的“接线点”。 在 trace、node、context 这类命令输出中，AI 智能体可以清楚看到每一条连接是怎么来的。

五、支持哪些语言？主流后端 + 前端框架基本都覆盖

语言识别是自动的，基于文件扩展名，不需要手动配置。 目前 CodeGraph 已经完整支持 20+ 种语言，包括：

• TypeScript / JavaScript（含 .ts.tsx.js.jsx.mjs）
• Python、Go、Rust、Java、C#、PHP、Ruby
• C、C++、Swift、Kotlin、Scala、Dart
• Svelte、Vue（含 Svelte 5 runes、SvelteKit 路由、Nuxt 页面/API/中间件路由）
• Liquid、Pascal / Delphi、Lua、Luau（含 Roblox require）等。

值得一提的是，针对很多框架里的“非标准结构”，比如 Svelte / Vue / Nuxt 的路由、Delphi 的可视化表单，CodeGraph 也做了专门适配，这对前后端混合的大型仓库非常实用。

六、三步上手：从安装到查询

如果你想快速试用，可以按下面三步走：

第一步：安装 CodeGraph

可以按自己的环境选择方式。

• 方式一：无需 Node.js，一行命令自动获取适配版本（macOS / Linux / Windows，详见官方文档）
• 方式二：已有 Node 环境，直接用 npm：
• npx @colbymchenry/codegraph 零安装直接跑
• 或 npm i -g @colbymchenry/codegraph 全局安装

CodeGraph 自带运行时，不需要编译、没有原生构建步骤，跨平台行为一致。 交互式安装器会顺带帮你配置常见 AI 助手（Claude Code、Cursor、Codex CLI、opencode、Hermes Agent）。

第二步：在项目中初始化并建图

进入你的项目目录后，执行一条命令即可完成初始化和索引构建：

• codegraph init -i：在当前项目创建 .codegraph/ 目录并立即建立索引。
• 后续如需重建或增量更新：
• codegraph index：完整重建索引
• codegraph sync：仅增量更新变动文件

第三步：检查状态 + 开始查询

常用检查和查询命令可以这样用：

• codegraph status：查看节点/边/文件数量、后端类型、journal 模式等健康信息
• codegraph query UserService：按名字查找符号
• codegraph callers handleRequest：谁调用了这个函数
• codegraph callees handleRequest：这个函数调用了谁
• codegraph impact AuthMiddleware：改动这个符号会影响什么
• codegraph context "fix the login flow"：为某个任务构建聚焦上下文

当你的项目里存在 .codegraph/ 目录，且 AI 助手已经配置好之后，智能体就会自动使用 CodeGraph 的工具，不需要你再做额外操作。

七、MCP 服务：给智能体准备的 10 个“超能力”

CodeGraph 以 Model Context Protocol（MCP）服务的形式向 AI 暴露能力，你可以通过：codegraph serve --mcp 手动启动，也可以交给安装器自动管理。

目前对外暴露了 10 个工具，包括：

• codegraph_search：在整个代码库按名字查符号
• codegraph_context：为某个任务构建相关上下文（一次调用组合搜索 + 节点 + 调用方 + 被调方）
• codegraph_trace：追踪两个符号之间的调用路径
• codegraph_callers / codegraph_callees：找调用方/被调方
• codegraph_impact：分析改动影响范围
• codegraph_node：查看某个符号详情
• codegraph_explore：一次返回多个相关符号的源码及关系图
• codegraph_files：获取已索引的文件结构
• codegraph_status：检查索引健康度和统计信息

官方的使用理念很明确：对于“X 是怎么工作的”“架构是什么样”“某某在哪”这类问题，智能体应该优先用几次 CodeGraph 调用解决，而不是到处 grep + Read 文件。

八、CLI 命令速查小抄（适合收藏）

除了前面提到的命令，CodeGraph 还有一批高频 CLI，可以当作“开发者小抄”使用：

• 安装与卸载：
• codegraph：运行交互式安装器
• codegraph install：显式运行安装器
• codegraph uninstall：从智能体中移除 CodeGraph
• 项目级操作：
• codegraph init [path]：初始化项目（--index 同时建索引）
• codegraph uninit [path]：从项目里移除 CodeGraph（--force 跳过确认）
• codegraph index [path]：完整重建索引
• codegraph sync [path]：增量更新
• codegraph status [path]：显示统计信息
• 高级查询与集成：
• codegraph query / callers / callees / impact：都支持 --json 输出，方便二次开发
• codegraph files：支持 --format / --filter / --max-depth / --json
• codegraph affected [files...]：找出受改动影响的测试文件，非常适合用在 CI 里只跑“受影响测试集”。

在持续集成场景下，合理利用 affected 可以显著缩短流水线时间，尤其适合大型单体仓库。

九、支持哪些 AI 助手？如何手动接入 Claude / Cursor

交互式安装器会自动检测并配置以下助手，帮你接好 MCP 服务、写好指令文件：

• Claude Code
• Cursor
• Codex CLI
• opencode
• Hermes Agent

对于 Claude，你也可以手动配置，在全局安装 CodeGraph 后，在 ~/.claude.json 中加入类似配置，让 Claude 以 stdio 的方式调用 MCP 服务；可选地在 ~/.claude/settings.json 中放行只读工具，免去每次确认。

需要注意的是：Cursor 在启动 MCP 子进程时容易用错工作目录，官方安装器会自动注入 --path 参数帮你处理。如果你选择手动配置，记得显式传入项目路径即可。

十、隐私与安全：100% 本地，无外部依赖

对于很多团队来说，“代码不出本机”是硬性红线。CodeGraph 在这一点上非常“干净”：

• 不需要 API key，不依赖任何外部服务
• 所有数据都存在本地 .codegraph/ 目录下的一个 SQLite 数据库中
• 提取过程完全基于 AST，不依赖大模型“总结”代码

这意味着，从隐私到稳定性，CodeGraph 都比较容易通过团队的合规审查。

十一、它适合谁？几个典型使用场景

CodeGraph 解决的是一个非常具体、又非常普遍的痛点：AI 编程助手在大代码库里“找路”太慢太贵。

如果你符合下面任意一条，它都值得你至少试一次：

• 日常重度使用 Claude Code / Cursor / Codex 等 AI 助手，且代码库不小
• 在意 AI 助手的 token 成本和响应速度
• 希望改动前快速搞清楚“影响范围”（谁调用了它、改了会炸哪）
• 希望在 CI 中只跑受影响的测试，缩短流水线时间
• 对代码隐私有硬性要求，不希望代码被传到外部服务

CodeGraph 免费、开源（MIT 许可证），一行命令上手，自带运行时，跨平台表现一致。 对许多团队来说，这基本是一个“装上就能回本”的工具。

项目链接

• 官网文档： https://colbymchenry.github.io/codegraph/
• GitHub： https://github.com/colbymchenry/codegraph
• npm： https://www.npmjs.com/package/@colbymchenry/codegraph
• 许可证：MIT

本文基于 CodeGraph 官方文档整理，功能与数据可能会随项目演进发生变化，请以官方最新文档为准。