背景
用AI编程助手处理大型代码库时，你会发现AI经常给出不完整的答案。不是AI不够聪明，而是传统工作方式有瓶颈：它只能通过文件遍历来理解代码，每次提问都要重新探索一遍，token消耗巨大。
codebase-memory-mcp试图解决这个问题。它的方案是：提前把代码解析成知识图谱，让AI直接查询图数据库。
核心实现原理
项目使用Tree-sitter作为解析引擎，Tree-sitter是GitHub开发的增量解析库，能将代码解析为抽象语法树。系统从AST中提取函数、类、接口、调用关系、导入关系等信息，构建成一张属性图存入SQLite。
图数据库选择SQLite而非Neo4j是有讲究的：SQLite是嵌入式数据库，没有独立进程开销，单文件存储便于快照导出，而且性能足够支撑代码图谱的场景。
在调用解析这个核心问题上，系统采用了6策略级联方案。假设代码中有pkg.Func()这样的调用，系统会依次尝试：导入映射精确匹配、同模块前缀匹配、唯一名匹配、后缀+距离评分匹配、模糊匹配，每种策略都有置信度评分，最终选择最高置信度的结果。对于Python、TypeScript、Go、C++等语言，还有一层混合LSP语义类型推断来处理指针接收者、模板实例化等复杂场景。
基准测试结果
作者在31个真实仓库上做了对比测试。传统文件探索方式回答结构化问题的平均token消耗约41.2万，图查询方式是3400token，削减99.2%。工具调用次数减少约一半。答案质量上，文件探索92%，图查询83%，差距9个百分点。
索引速度实测：Linux内核（2800万行、7.5万文件）在M3 Pro上3分钟完成，Django项目约6秒。查询延迟方面，亚毫秒级调用链追踪，150毫秒级死代码全图扫描。
功能覆盖
14个MCP工具涵盖索引、查询、分析、代码四大类。索引类4个工具处理仓库的增删改查。查询类5个工具中，trace_path做调用链追踪可指定Inbound/Outbound方向和1-5层深度，query_graph支持类Cypher图查询语言做任意复杂遍历，semantic_query基于内置嵌入模型做语义搜索无需API key。分析类4个工具中，detect_changes将git diff映射到受影响符号并做风险分类，get_architecture一次性返回代码库架构概览，get_graph_schema用于schema自省，manage_adr管理架构决策记录。代码类2个工具负责源代码获取和全文搜索。
高级特性包括Louvain社区检测自动发现功能模块、死代码检测、HTTP调用链接（支持6种主流框架）、跨仓库索引、git钩子自动触发增量索引。
安装与使用
安装脚本一行命令，自动检测并配置所有已安装的AI编程助手。支持Claude Code、Codex CLI、Gemini CLI、Zed、OpenCode、Antigravity、Aider、KiloCode、VS Code、OpenClaw、Kiro共11种工具。
安装完成后重启AI助手，说一句"Index this project"开始索引。可选配图形界面在localhost:9749提供3D图谱可视化。
代码快照功能值得一说：索引完成后执行一次export，生成一个zstd压缩的快照文件可提交到仓库。队友首次使用时自动解压并做增量索引，不用从头重建全量索引。压缩比通常8到13倍，.gitattributes设置了merge=ours避免合并冲突。
总结
如果你的工作涉及大型代码库的维护、重构、bug修复，codebase-memory-mcp能显著提升AI的理解效率和答案质量。对于中小型项目，传统方式可能就够用了。这个工具的核心价值在于将代码理解从"文本匹配"升级为"结构理解"，让AI能够直接回答"这个改动会影响什么"这类本质上需要图结构才能准确回答的问题。
