CodeGraph 是一个给 AI 编程助手用的本地代码知识图谱工具。它会先把代码库索引成符号、调用关系、路由和结构信息，再通过 MCP 提供给 Claude Code、Codex CLI、Cursor、opencode 等工具查询。重点不是“再多一个搜索命令”，而是让 agent 在探索代码库时少扫文件、多问已经建好的图。
项目采用 MIT 许可证，主语言是 TypeScript，GitHub 当前已有 6.8k+ stars。README 里给出的定位很直接：pre-indexed code knowledge graph，100% local，不需要 API key，数据存在本地 SQLite。安装入口也很轻：`npx @colbymchenry/codegraph`，交互式 installer 会帮你配置不同 agent 的 MCP server 和说明文件。
它解决的是 AI 编程里很常见的一种浪费：模型为了理解一个模块，先 glob、grep、read 一堆文件，工具调用多、token 花得快，还容易漏掉跨文件关系。CodeGraph 让 agent 先查图谱，拿到入口点、相关符号、调用者/被调用者和上下文片段，再决定是否需要读文件。
README 里的 benchmark 结果很有冲击力：在 VS Code、Excalidraw、Alamofire、Swift Compiler 等真实代码库上，对比 Claude Code Explore agent 有无 CodeGraph 的探索流程，平均减少 92% 工具调用、快 71%。这些数字当然要结合测试设置看，但方向很清楚：把代码结构预处理成图，可以显著压缩探索阶段的成本。
比较实用的是它覆盖的语言和框架不少。README 标注支持 TypeScript、JavaScript、Python、Go、Rust、Java、C#、PHP、Ruby、C/C++、Swift、Kotlin、Dart、Svelte、Liquid、Pascal/Delphi 等 19+ 语言；路由识别也覆盖 Django、Flask、FastAPI、Express、Laravel、Rails、Spring、ASP.NET、SvelteKit 等常见框架。
如果你的仓库很小，直接读文件也许已经够快；但在中大型代码库里，AI agent 的第一轮探索经常最花钱、最慢、也最容易走偏。CodeGraph 的意义就在这里：先把代码库变成可查询的本地地图，让模型把上下文预算用在判断和改动上，而不是反复找路。
传送门
https://github.com/colbymchenry/codegraph
原创文章，如若转载，请注明出处：https://wefound.cc/p/3080.html
