GitHub 上三万一千多颗星的 Codebase-Memory-MCP,把整个代码库索引成一张知识图谱,给 AI
编程助手用。它说三分钟跑完 Linux 内核(两千八百万行代码、七万五千个文件),做结构查询 Token
少用一百二十倍。这一期从工程视角硬核拆解它的四个关键技术选择。
⏱ 时间轴
00:05 项目登场与核心数字
01:17 性能叙事:四个激进的数字
02:33 选择①:单一静态二进制,零依赖
03:48 选择②:两层语义解析,语法加类型
05:18 选择③:内存优先管线,索引后释放
06:35 选择④:可共享图谱快照,团队只索引一次
07:56 反直觉:它不嵌入大模型
08:55 对比 CodeGraph:同一痛点,两条路线
10:09 总结:AI 编程时代需要怎样的基础设施
它和之前讲过的 CodeGraph 解决同一个痛点,原理相似,但路线不同。CodeGraph 优化的是让 AI
少调几次工具,Codebase-Memory-MCP 优化的是底层基础设施本身。单一静态二进制零依赖、tree-sitter
加自研轻量 LSP 的两层语义解析、内存优先索引完即释放、可团队共享的图谱快照。还讲了一个反直觉的设计:它不
嵌入大模型,翻译工作交给正在对话的那个 agent,省掉一套 API key 和一个模型。
核心判断是,AI 编程助手越来越强,它对代码库的理解反而越来越依赖底层基础设施。比的可能不只是谁的模型大,
更是谁的基础设施,能把代码库预先变成模型能直接消化的结构化知识。
项目地址:github.com/DeusData/codebase-memory-mcp