https://github.com/colbymchenry/codegraph
1. 核心观点: CodeGraph 把代码库预先索引成本地知识图谱，让编程智能体先查代码地图，再决定读哪些文件。
2. 背景痛点: 真实项目稍微变大，agent 往往会在 grep、glob 和 Read 之间反复探索，既烧 token，也容易漏掉关键调用关系。
3. 工作机制: CodeGraph 用 Tree-sitter 抽取函数、类、方法、调用、导入和继承关系，再写入本地 SQLite 数据库，并用 FTS5 支持全文搜索。
4. Agent 接入: 它通过 MCP server 暴露 search、trace、callers、callees、impact、explore、files 和 status 等工具，帮助 agent 做结构化代码理解。
5. 最新数据: 官方 README 2026 年 6 月 2 日复验显示，在特定 Claude Code headless 架构问题测试中，平均成本降低 16%，token 减少 47%，时间快 22%，工具调用减少 58%。
6. 系列定位: 如果 LLM Wiki 讲知识库，vibe-coding-tools 讲规格和验证，Codexmaxxing 讲长期工作系统，CodeGraph 补的是现有代码库的结构事实。
7. 工程价值: 它最适合老项目、深调用链、复杂路由和跨模块影响分析，把 agent 的探索从散搜文件改成先查符号关系。
8. 使用边界: CodeGraph 不能替代测试、review、SPEC 或工程师判断；动态行为、运行时注入和外部服务调用仍要谨慎验证。
9. 最终结论: CodeGraph 的意义不是给模型塞更多上下文，而是让 agent 在动手之前先拥有更好的代码地图。
