每次用 Claude Code、Cursor 或 Codex 处理一个大项目，你都能感受到那种「慢性烧钱」的痛：代理要理解项目结构，先得逐个文件读取；要定位某个函数的调用关系，得翻遍十几个文件；改一行代码，它可能读了 20 个文件才敢下手。
这就是 codegraph 想解决的问题——不是让模型更聪明，而是让它不用读那么多东西。
知识图谱的思路，用在代码上
codegraph 的核心想法其实不复杂：与其让 AI 代理每次进来都重新读一遍代码，不如事先把代码库的关系结构提取出来，建成一个图数据库。
这个图里存的是什么？函数之间的调用关系、类的继承链、模块间的依赖——说白了就是你在 IDE 里按 Cmd+Click 跳转时看到的那些东西，只不过被结构化、索引化了。
当 AI 代理需要理解某个函数时，它不用再去 grep、不用再去读整个文件，直接查询图谱：谁调了我、我调了谁、我的入参来自哪里。几毫秒，完事。
数字很直观
项目 README 里写的效果：
- Token 消耗减少 40-70%——取决于项目大小
- 工具调用次数大幅下降——不需要反复 read_file、grep
- 100% 本地运行——不需要把代码发到任何第三方服务
对于一个日均用 AI 编程工具写几小时代码的开发者来说，token 减少一半意味着什么？意味着你原来一天要花 2 美元，现在只要 1 美元。一年省下来的钱，够买好几把好的机械键盘了。
但数字不是最重要的。真正有意思的是它揭示的一个趋势：
AI 编程工具正在从「聊天」走向「基础设施」
第一波 AI 编程工具（GitHub Copilot 早期版本、ChatGPT 粘贴代码）的逻辑是：你把代码喂给模型，模型给你一个回答。
第二波工具（Claude Code、Cursor Agent 模式）的逻辑是：代理自己在项目里探索、读取、修改。
codegraph 代表的是第三波：代理不应该每次都从零开始探索，它应该有持久的、结构化的项目记忆。
这和我们人类程序员的工作方式其实一样。你接手一个老项目，第一周疯狂读代码，之后你就「记住了」——不是记住每一行，而是记住了结构、关系、模式。下次再改，你直接跳到需要改的地方，不用重新读一遍。
codegraph 就是在给 AI 代理造这个「记忆宫殿」。
实际体验怎么样
我看了项目的 issue 和 commit 记录，几个关键信息：
- 支持 Claude Code、Codex、Cursor、OpenCode——基本覆盖了主流的 AI 编程工具
- 安装后通过
.claude/skills或.cursor/rules集成，不需要改工具本身 - 项目本身用 Claude 辅助开发（commit 记录里有大量
commits by claude），算是自己吃自己的狗粮 - 最近刚加了 agent-eval 评估框架，说明团队在严肃对待质量
当然也有需要注意的地方：索引大型代码库（比如 Linux 内核级别）的时间和内存消耗还是个问题。项目文档里建议先从你日常工作的中型项目试起。
值不值得用
如果你每天都在用 AI 编程工具，而且项目超过几千行代码，codegraph 几乎是一个免费的性能提升。安装成本低（本地运行，npm install 级别），效果直接（token 省了，速度快了），风险小（不开源代码数据，全在本地）。
如果你只是偶尔用 ChatGPT 改几行小脚本，那暂时没必要。
更大的图景
codegraph 不是唯一在做这件事的团队。类似的思路——给 AI 代理提供结构化的、预计算的知识——正在多个方向冒出来：
- 有些团队在做文档知识图谱
- 有些在做 API 调用关系索引
- 有些在探索代码语义向量化
但 codegraph 是目前最务实的一个：不追求酷炫的 demo，就是老老实实解决「AI 代理读太多文件」这个具体痛点。
有时候，最无聊的问题，解决了就是最大的效率提升。
主要来源：