每次开一个新的 AI 编程助手会话，无论是 Claude Code 还是 Cursor，流程往往都一样：先提问，然后智能体开始循环执行 ls、grep、read_file、repeat。它在“探索”代码库，你在为这段检索过程持续支付 token 成本。

这段“先找路再干活”的流程，是很多团队最容易忽略的成本。说白了，我们在让高能力模型反复做检索型体力活。CodeGraph 的做法很直接：通过 MCP（模型上下文协议）给代码库提供一张预先建好的结构化地图，让智能体少走弯路，尽快进入问题求解阶段。平均来看，工具调用可减少 70% 以上，token 成本也能下降接近一半。

图谱背后的工程

CodeGraph 的实现并不复杂，核心是几层稳定的工程组合。

1. Tree-Sitter 解析流水线

CodeGraph 的底层依赖 Tree-Sitter。和正则驱动的搜索不同，它走语法解析路线，能更准确地识别代码中的符号和结构关系。

2. MCP 基础设施桥接

CodeGraph 通过 MCP 与 AI 智能体通信，底层基于 JSON-RPC，把“提问-查询-返回”这条链路标准化。

3. 优化后的 SQLite 图谱架构

提取出的符号和关系会写入本地 SQLite 图谱，查询速度快，也方便在本机持续迭代。

核心优势：密度与隐私

除了速度，CodeGraph 还有两个在实际项目里很关键的点：上下文密度和隐私。

上下文密度：更优的数据，更少的 token

传统智能体很容易遇到“上下文膨胀”：为了回答一个小问题，先把大段源文件塞进上下文。CodeGraph 会尽量只返回相关符号和关系，让信息更集中，token 更省。

隐私：代码永远属于你

在云端服务普及的背景下，隐私是绕不开的话题。CodeGraph 运行在本地边界内：源码和 SQLite 图谱都留在你的机器上，智能体也通过本地服务查询，不会把代码暴露给外部索引或训练流程。

CodeGraph 工作原理

CodeGraph 的效率来自一条四阶段流水线：把原始代码转成可查询的知识图谱，再把查询能力提供给智能体。

快速上手

如果你想马上试试，流程很短，几步就能跑起来。

1. 安装

CodeGraph 是一个轻量 CLI 工具，可以直接通过 npm 全局安装：

npm install -g @colbymchenry/codegraph

2. 索引代码库

进入项目目录后执行 init。CodeGraph 会扫描文件、解析语法结构，然后生成本地 SQLite 图谱。

codegraph init -i

3. 连接 AI 智能体

索引完成后，通过 MCP 桥接把常用的 AI 编程助手（如 Claude Code 或 Cursor）接入。之后智能体可以直接查图谱，不必再做一轮低效探索。

codegraph install

协作流程：开发者、智能体与图谱

CodeGraph 的价值，主要体现在三方协作上：开发者给目标，智能体做推理，CodeGraph 提供结构化上下文。这样产出的方案通常更贴近代码库的真实状态。

智能体智能图景：CodeGraph 与其他工具

CodeGraph 擅长结构化映射，但它不是孤立存在的，完整工具链包括 lat.md 和 graphify。

CodeGraph 端到端流程

CodeGraph 的端到端流程强调三点：本地优先、隐私可控、容易接入现有编码助手。

通过符号和关系映射，CodeGraph 能让智能体更快把握代码结构。配合 MCP 命令集，智能体可以在复杂仓库中做导航和影响面分析，把一些依赖风险提前暴露。

要点总结

CodeGraph 面向的是一个很现实的问题：智能体在“找信息”上花费太久。它通过预索引地图降低这部分开销，让智能体更快进入真正执行阶段。

你可以把 CodeGraph 放进自己的智能体工具栈里。Graphify 更偏语义层，lat.md 偏意图管理，CodeGraph 负责结构层。三者结合后，智能体在复杂项目里的稳定性和效率都会更好。

核心思路其实很简单：智能体最贵的动作往往是“到处找”；CodeGraph 先把地图建好，让它“按图索骥”。