给AI Coder推荐一个省 token工具

最近看到一个很适合 AI Coding 用户的项目：

codegraph，地址：
https://github.com/colbymchenry/codegraph

它的逻辑其实很简单：很多 agent 在代码库里干的第一件事，不是写代码，而是反复 grep、开文件、猜入口、找调用方，来回几轮才找到真正该看的地方。

codegraph做的事情，是先用静态 AST 把仓库里的符号、引用、调用关系建成本地结构化数据库，再通过文件监听动态更新索引，然后把这些能力通过 MCP 暴露给模型。

这样模型问的就不再是“哪些文件可能相关”，而是“这个符号在哪”“谁调用了它”“改它会影响谁”。像 query、impact、callers/callees这些场景，都会比纯 grep更省 token，也更少走弯路。

这里还有一个很值得注意的 issue：[Issue #571]
https://github.com/colbymchenry/codegraph/issues/571

codegraph还提供一个叫codegraph_context 的 MCP 工具，想做的是“帮模型自动拼上下文”。但这个能力是 100% local，本地完成的，对比LLM，其实是不擅长的，实际暴露给模型，反而容易误导模型去拿一堆“看起来相关、但不一定真相关”的上下文，效果并不稳定。

作者在issue下面的回复也说，下个版本准备把 context去掉，现在可以先disable掉。

整体效果，有用肯定是有用，但是实话实说，体感大概对纯Java项目来说10%左右或者不到吧，没有READ ME里面说的20%-30%这么多，可能和场景有关。

最后，很多动作在普通 IDE 里其实很普通，但到了模型和 agent 这里，就会直接变成能力和成本问题。把 IDE 里的高频结构化能力重新做给 agent，我觉得也是提升模型能力、同时省 token 的方向和启发。

#省token #aicoding #codegraph #codex #claude