项目卡片
- 状态：v0.9.5 / 27,400+ Star / 周下载 44,000+ / 2026-01 创建，快速增长中
- 一句话判断：AI 编码助手的"预建搜索引擎"——让 Claude Code、Cursor 等工具不再用 grep 一行行扫描代码，而是直接查图谱。
用 Claude Code 理解一个中等规模项目时，它会启动 Explore 子代理，用 grep、glob、Read 一轮轮扫文件。每次工具调用都消耗 token，几次下来成本和时间都上去了。
我之前做过一个测试，在一个 3000 多文件的 Python 项目上问一个架构问题，Claude Code 光是"找代码"就花了 50 多秒，跑了 19 次工具调用。大部分 token 花在了定位正确的文件上，而非理解代码本身。
根本原因是：AI 每次都在"大海捞针"——没有预先整理好的代码地图，只能靠穷举。
CodeGraph 做的事情很直接：在 AI 问问题之前，先把代码结构整理好，存成一张图谱。AI 查图谱，一两次调用就能拿到答案。
CodeGraph 官方在 7 个真实开源项目上做了对比测试，用的是 Claude Opus 4.7，每个场景跑 4 次取中位数：
| 项目 | 规模 | 省费用 | 省时间 | 省工具调用 |
|---|
| VS Code | ~10k 文件 | 26% | 52% | 85% |
| Excalidraw | ~640 文件 | 52% | 73% | 96% |
| Django | ~3k 文件 | 12% | 19% | 53% |
| Tokio | ~790 文件 | 82% | 71% | 92% |
| Gin | ~110 文件 | 21% | 27% | 40% |
整体平均：35% 更便宜、46% 更快、71% 更少工具调用。
规律很清楚：项目越大，收益越高。VS Code 这种万文件级别的大型项目，工具调用从 55 次降到 8 次。Tokio 最夸张，82% 的费用下降。小项目本身就搜得快，Gin 大概 150 个文件，差距就小多了。
关键机制在于——没有 CodeGraph 时，AI 会先花大量 token 在"找文件"上：找到正确的文件、找到正确的函数、理清调用关系。CodeGraph 把这些信息提前索引好了，AI 直接查就行。
安装只需要一条命令，不需要 Node.js：
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh
安装器会自动检测你装了哪些 AI 编码工具（Claude Code、Cursor、Codex CLI、Gemini CLI 等），然后帮你配置好 MCP server 和指令文件。
如果你已经有 Node.js，也可以直接用 npm：
npx @colbymchenry/codegraph
我试了一下交互式安装，过程很流畅——它会问你装哪些 agent、配置是全局还是项目级，然后自动写好所有配置文件。不用手动编辑 JSON。
装好后，进入你的项目，执行初始化：
cd your-project
codegraph init -i
这会分析整个代码库，建立知识图谱索引。首次索引一个中等项目大概几十秒，取决于代码量。完成后重启你的 AI 工具即可。
之后每次改代码，CodeGraph 的文件监听器会自动增量同步索引，默认 2 秒的防抖窗口——你连续改几个文件，它只会触发一次同步。不需要手动跑 codegraph sync。
CodeGraph 通过 MCP（Model Context Protocol）向 AI 代理暴露了几个核心工具：
智能上下文构建 — codegraph_context 一次调用返回入口、关联符号和代码片段。问"登录功能怎么实现的"，不再需要 AI 先 glob 找文件再 grep 找函数再 Read 读内容，一个调用搞定。
调用链追踪 — codegraph_trace 直接给出两点间的完整调用路径，每一跳都带函数体代码。在 Excalidraw 项目上实测，"更新元素怎么触发画布重绘"这个问题，6 跳跨越 observer callback → setState → render → JSX 子组件三道 React 边界，一次 trace 就给出了答案。
全文搜索 — codegraph_search 基于 SQLite FTS5，跨整个代码库按名称查找符号，毫秒级返回。
影响分析 — codegraph_impact 改一个函数前查影响半径。命令行还有 codegraph affected，可以配合 git diff 使用：
git diff --name-only | codegraph affected --stdin
这对 CI 只跑相关测试很有用。
CodeGraph 和普通的代码搜索工具（比如 ripgrep、cscope）的关键区别在于：它理解代码的语义关系。
普通搜索只能找到文本出现的位置。CodeGraph 知道函数 A 调用了函数 B，类 C 继承了接口 D，URL /users 映射到了哪个 handler。
它还做了几件比较硬核的事：
跨语言桥接。真实的 iOS 项目里，Swift 调 Objective-C 的方法，JS 通过 React Native Bridge 调原生模块。静态解析到语言边界就断了。CodeGraph 专门做了 Swift↔ObjC、React Native legacy bridge、TurboModules、Expo Modules、Fabric 组件等跨语言调用链的桥接，让调用关系能跨语言连贯追踪。
框架感知路由。支持 14 个 Web 框架的路由识别——Django、Flask、Express、Spring、Rails 等等。查一个 controller 的 callers 时，会直接告诉你哪个 URL 会触发它。
动态派发合成。React 的 setState 怎么触发 render？EventEmitter 的事件怎么从 emit 到 listener？这些运行时行为静态分析看不到，CodeGraph 用合成边（synthesized edges）补上了这些断裂。
高频使用 AI 编码助手的开发者。如果你每天用 Claude Code 或 Cursor 写代码，特别是面对中大型代码库，CodeGraph 能显著减少等待时间和 token 消耗。
经常让 AI "理解这个项目"的人。每次新开会话都要让 AI 重新扫描代码？CodeGraph 的索引是持久的，不用每次重建。
关心成本的用户。按 token 计费的话，35% 的费用节省意味着一个月能省下不少。
不太适合的场景：小型个人项目（几十个文件），AI 本身几秒就能扫完，CodeGraph 的优势体现不出来。另外，如果你的 AI 工具不支持 MCP 协议（比如 Zed、Continue 目前还没适配），就无法使用。不过 CodeGraph 目前已经支持 7 款主流工具，覆盖面已经很广了。
- v0.9.5 引入了共享 daemon 架构，多个 AI 代理可以共享同一个索引进程，不再各自独立跑
CodeGraph 的知识图谱基于 tree-sitter 的 AST 解析，是静态分析。动态语言特性（比如 JavaScript 的 prototype 链、Python 的 metaclass 魔法）可能无法完全覆盖。项目团队也在持续扩展动态派发的合成能力，但不可能覆盖所有运行时行为。
另外，CodeGraph 对 AI 代理是"可选增强"——安装后 AI 会自动使用，但没装也不影响基本功能。只是每次都要重新扫描代码。
对中大型项目的 AI 编码场景来说，这个"预建索引"的思路很实际。与其让 AI 每次都花 token 找代码，不如提前整理好。如果你的日常工作离不开 Claude Code 或 Cursor，并且代码库超过几百个文件，值得花三分钟试一下。
粤ICP备14082021号
免费POC，
零成本试错
