158种语言、14个MCP工具、零依赖
AI编程助手秒变“代码通”
🧠 先看痛点：AI读不懂你的代码库
你正在用Claude Code、Cursor、Codex之类的AI编程助手。
你想让它帮你在一个大型代码库里找答案：
- “这个
ProcessOrder函数被谁调用了？” - “这个项目的整体架构是什么样的？”
- “修改这个函数会影响哪些地方？”
AI会怎么做？
它只能：
- 用
grep搜关键词 - 打开一堆文件挨个读
- 靠“猜”来拼凑答案
对于一个小项目还行。但对于一个真实的代码库——几十万行代码、上千个文件——AI会：
- 消耗几十万token
- 花几分钟才能搜完
- 回答还可能是错的（因为没理解调用关系）
核心矛盾：
AI编程助手很聪明，但它“看”不懂代码的结构——函数之间谁调谁、类之间谁继承谁、文件之间谁引用谁。它只能一页一页翻，慢、贵、还不准。
✅ codebase-memory-mcp 的解法
codebase-memory-mcp 是一个为AI编程助手打造的“代码智能引擎”。
一句话：把你的整个代码仓库变成一张“知识图谱”，AI问什么，直接查图，毫秒级回答
它通过两种技术解析你的代码：
- tree-sitter：一种增量解析技术，能理解158种编程语言的语法结构
- Hybrid LSP：轻量级语义解析，能跨文件追踪“谁调用了谁”“谁继承了谁”
解析结果存成一张知识图谱（节点=函数/类/文件，边=调用/继承/引用），然后通过MCP（模型上下文协议）提供给AI编程助手。
# 安装curl-fsSLhttps://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh|bash# 然后对你的AI说：“Index this project”# 它就会索引当前代码库，之后所有架构问题都能秒回🔥 它解决了什么？
1. 暴力搜文件 vs 图查询
| 传统方式（grep+读文件） | codebase-memory-mcp | |
|---|---|---|
| 查询“谁调用了X函数” | grep搜 → 打开10个文件 → 读代码 → 拼凑 | 直接查图，<1ms返回调用链 |
| Token消耗 | ~41万token（5次查询） | ~3400token（减少99.2%） |
| 时间 | 几分钟 | 毫秒级 |
| 准确性 | 可能漏（跨文件调用难发现） | 精确到每个调用点 |
2. 手动维护文档 vs 自动生成
| 手动写架构文档 | codebase-memory-mcp | |
|---|---|---|
| 维护成本 | 代码一变，文档就过时 | 自动更新，每次索引就是最新 |
| 细节程度 | 只写大概 | 精确到每个函数、每个调用关系 |
| 问答能力 | 只能看，不能问 | AI可以随时提问，秒回 |
3. 单语言 vs 多语言
支持158种编程语言，包括：
| 类别 | 示例 |
|---|---|
| 主流语言 | Python、TypeScript、JavaScript、Go、Rust、Java、C++、C#、PHP、Ruby、Kotlin |
| 前端/配置 | HTML、CSS、SCSS、YAML、TOML、JSON、Dockerfile |
| 数据/脚本 | SQL、Bash、PowerShell、AWK、Perl |
| 系统/底层 | C、Assembly、Zig、Hare |
| 函数式 | Haskell、OCaml、Elixir、Erlang、Scala |
| 其他 | 共158种，几乎覆盖所有你能想到的 |
你不需要装任何额外的解析器——所有语法解析能力都编译进了二进制文件里。
📦 核心能力
1. 极速索引
| 代码库 | 规模 | 索引时间 |
|---|---|---|
| Linux内核 | 2800万行代码，7.5万个文件 | 3分钟 |
| Django | 4.9万个节点 | ~6秒 |
| 普通项目（平均） | 几十万行 | 毫秒级到几秒 |
2. 14个MCP工具（AI可以直接调用）
| 工具 | 做什么 |
|---|---|
get_architecture | 返回项目概览：语言、包、入口点、路由、热点、分层 |
trace_path | 追踪调用链：谁调用了这个函数，它调用了谁 |
search_graph | 结构化搜索：按名称、标签、文件范围搜索 |
search_code | 代码搜索：在索引过的文件里做类grep搜索 |
query_graph | 类Cypher查询：MATCH (f:Function) RETURN f.name |
detect_changes | Git diff影响分析：改了一行代码，会影响哪些地方 |
get_code_snippet | 按限定名获取函数源码 |
manage_adr | 管理架构决策记录（ADR） |
list_projects | 列出所有索引过的项目 |
delete_project | 删除项目索引 |
index_status | 查看索引状态 |
get_graph_schema | 查看图的节点/边类型定义 |
ingest_traces | 导入运行时调用追踪，验证调用关系 |
search_code | 在索引文件中进行文本搜索 |
💡MCP（模型上下文协议）：一种让AI工具之间互相通信的标准协议。相当于“AI的USB接口”——装上这个工具，你的AI编程助手就有了“读代码库”的能力。
3. 混合LSP语义解析
普通tree-sitter只能看出“语法结构”：
# tree-sitter知道：这是一个函数调用，函数名是"process_user"result=process_user(user_id)混合LSP能看出“语义关系”：
# 混合LSP知道：process_user 定义在 user_service.py 的 UserService 类里# 还知道：user_id 是 int 类型，返回值是 User 类型# 还能跨文件追踪：这个函数在3个不同的地方被调用目前支持混合LSP的语言：
- Python（v0.7.0新增，覆盖95%以上常见场景）
- TypeScript / JavaScript / JSX / TSX
- PHP、C#（v0.7.0新增）
- Go（v0.7.0增强）
- C / C++（v0.7.0增强）
- Java、Kotlin、Rust（v0.8.0新增）
4. 团队共享图谱
你可以把索引结果压缩成一个文件（.codebase-memory/graph.db.zst），提交到代码仓库里：
- 团队成员克隆代码后，不需要重新索引，直接使用
- 每个成员只增量索引本地改动
- 两个版本之间不会产生合并冲突（自动设置
merge=ours）
效果：团队里第一个人花3分钟索引，后面所有人都是秒开。
5. 11种AI编程助手一键适配
install命令会自动检测你装了什么AI编程助手，并配置好：
| 工具 | 支持状态 |
|---|---|
| Claude Code | ✅ 自动配置MCP + 4个技能 + 工具钩子 |
| Codex CLI | ✅ 自动配置 |
| Gemini CLI | ✅ 自动配置 |
| Zed | ✅ 自动配置 |
| OpenCode | ✅ 自动配置 |
| Antigravity | ✅ 自动配置 |
| Aider | ✅ 自动配置 |
| VS Code | ✅ 自动配置 |
| OpenClaw | ✅ 自动配置 |
| Kiro | ✅ 自动配置 |
| KiloCode | ✅ 自动配置 |
🚀 怎么用？三步上手
第一步：安装
# macOS / Linuxcurl-fsSLhttps://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh|bash# Windows (PowerShell)irm https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/scripts/setup-windows.ps1|iex第二步：重启你的AI编程助手
比如Claude Code，重启后它会自动加载这个MCP工具。
第三步：对你的AI说
“Index this project”
AI会调用index_repository工具，开始索引当前代码库。
索引完成后，你就可以随时问：
- “这个项目的架构是什么样的？”
- “谁调用了
ProcessOrder函数？” - “修改这个函数会影响哪些地方？”
- “这个项目里有哪些HTTP接口？”
AI会通过知识图谱毫秒级回答。
📊 性能实测
测试环境：Apple M3 Pro
| 操作 | 时间 |
|---|---|
| Linux内核完整索引（2800万行，7.5万文件） | 3分钟 |
| Linux内核快速索引 | 1分12秒 |
| Django完整索引 | ~6秒 |
| 图查询（Cypher） | <1毫秒 |
| 名称搜索（正则） | <10毫秒 |
| 调用链追踪 | <10毫秒 |
| 死代码检测 | ~150毫秒 |
Token效率对比：
- 用传统方式（grep+读文件）回答5个架构问题：~41万token
- 用codebase-memory-mcp回答同样的5个问题：~3400token
- 节省99.2%的token成本
🎯 谁最适合用？
| 人群 | 为什么适合 |
|---|---|
| AI编程助手重度用户（Claude Code/Cursor/Codex） | 让你的AI真正“懂”你的代码库，而不是靠猜 |
| 大型代码库的维护者 | 几十万行代码，人脑记不住，让AI帮你记 |
| 团队技术负责人/架构师 | 新成员上手时，问AI就能了解架构 |
| 开源项目维护者 | 贡献者可以快速了解项目结构 |
| 代码审查者 | 改一处代码，AI告诉你影响范围 |
| 技术文档写作者 | 让AI自动生成架构文档草稿 |
一个典型的“代码审查”场景
问题：小A在Claude Code里改了一个核心函数的实现。他想知道：“这个改动会影响哪些地方？会不会有地方调用了旧的行为？”
没有这个工具：他只能手动搜函数名，挨个打开文件看调用点。大项目的话，可能要花半小时。
有这个工具：在Claude Code里说“检测这次改动的影响范围”，AI调用detect_changes工具，返回所有受影响的函数、文件和调用链，附带风险评估。10秒内完成。
🔒 安全与隐私
| 安全措施 | 说明 |
|---|---|
| 完全本地运行 | 代码从不离开你的机器 |
| 无网络依赖 | 不需要API key，不需要联网 |
| VirusTotal扫描 | 每个发布版本都被70+杀毒引擎扫描，0风险才发布 |
| SLSA Level 3 | 供应链安全认证，二进制文件可验证来源 |
| Sigstore签名 | 所有发布产物都有数字签名 |
| 零依赖二进制 | 单个静态二进制文件，没有外部库依赖 |
✅ 总结
| 层次 | 核心内容 |
|---|---|
| 解决了什么 | AI编程助手读不懂大型代码库的结构，只能靠猜。这个工具把代码库变成知识图谱，AI直查，毫秒级回答 |
| 核心能力 | ①158种语言解析 ②混合LSP语义解析 ③14个MCP工具 ④极速索引 ⑤11种AI工具适配 ⑥团队共享图谱 |
| 怎么用 | curl install.sh | bash→ 重启AI → 说“Index this project” |
| 谁适合 | AI编程助手用户、大型代码库维护者、架构师、技术负责人 |
📦 立即开始
curl-fsSLhttps://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh|bash然后重启你的AI编程助手，说：
“Index this project”
🔗GitHub：github.com/DeusData/codebase-memory-mcp
📄论文：arXiv 2603.27277
📄许可证：MIT
让AI真正“读”懂你的代码，而不是“看”你的代码。
