Каждый раз, когда ваш Claude Code открывает новый проект, ему приходится рыться в файлах кода с помощью команд grep, glob и Read. Он не знает, какая функция вызывает какую, и не понимает архитектуру проекта — ему остаётся только читать всё посимвольно.
Это медленно и дорого.
CodeGraph делает всё просто: сначала индексирует кодовую базу в виде графа знаний, а затем позволяет AI-агенту напрямую запрашивать этот граф вместо посимвольного сканирования файлов.
Каков результат? Официальные бенчмарки, проведённые на 7 реальных open-source проектах, показали: потребление токенов снижается примерно на 35%, а количество вызовов инструментов — на 70%. При этом весь процесс работает на 100% локально, без отправки кода на сторонние сервисы.
Как это работает?
Ключевая идея CodeGraph: «семантическое понимание лучше, чем грубый поиск».
После запуска codegraph init в вашем проекте инструмент локально строит граф знаний, который включает:
- Отношения между символами — какой класс наследует какой, какие функции и где вызываются
- Граф вызовов — цепочки вызовов между функциями, полная топология дерева зависимостей
- Структура кода — разделение на модули, организация файлов, маршрутизация фреймворка
В дальнейшем, когда агенту Explore в Claude Code нужно разобраться в коде, ему больше не требуется выполнять десятки вызовов grep и Read — вместо этого он напрямую запрашивает граф и мгновенно получает информацию о связях между символами.
Например, вы спрашиваете агента: «Какой handler-функции соответствует этот API-маршрут?». Традиционный подход требует поиска определения маршрута через grep, поиска имени handler через grep и чтения нескольких файлов для подтверждения. С CodeGraph эта связь уже существует в графе, и ответ получается за один запрос.
Совместимость оказалась неожиданно высокой
Больше всего в этом проекте меня удивил диапазон совместимости. Он поддерживает не только Claude Code, но и:
- Cursor
- Codex CLI
- OpenCode
- Hermes Agent
Установка также максимально проста: одна команда автоматически загружает предварительно скомпилированный бинарный файл для вашей ОС, а интерактивный установщик автоматически настраивает уже установленные агенты. Не требуется Node.js, не требуется компиляция — работает сразу из коробки.
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh
Если у вас уже есть среда Node.js, можно просто запустить npx @colbymchenry/codegraph.
Удаление также выполняется чисто: codegraph uninstall удаляет конфигурацию MCP-сервера CodeGraph, инструкции и настройки разрешений из всех настроенных агентов, не оставляя следов.
307 коммитов, 49 issues: высочайшая активность проекта
Проект был создан 18 января 2026 года, и к 22 мая в нём накопилось 307 коммитов. Последний коммит был сделан 2 часа назад самим автором colbymchenry и содержал обновление документации по удалению.
Что ещё более примечательно, за последние две недели в проекте были исправлены проблемы с OOM при индексации V8 WASM (issues #298 и #293), а также добавлена оптимизация answer-directly, которая снизила стоимость вызовов MCP примерно на 35% и уменьшила количество вызовов инструментов на 70%. Это говорит о том, что команда активно реагирует на отзывы пользователей и постоянно оптимизирует производительность.
Практическое сравнение в цифрах
Предположим, у вас есть средний проект из 500 файлов. Чтобы агенту Explore в Claude Code понять архитектуру этого проекта, обычно требуется:
- 20–40 вызовов
grep - 15–30 вызовов
Read - 5–10 вызовов
glob
Каждый вызов расходует токены. На этапе первоначального изучения крупного проекта потребление токенов может достигать сотен тысяч.
CodeGraph сжимает эти вызовы до нескольких запросов к графу. Процесс понимания кода не устраняется, а переносится на этап индексации — индексация выполняется один раз, а последующие запросы обходятся дёшево.
Важные ограничения
Разумеется, CodeGraph не является панацеей.
Во-первых, индексация требует времени. Для сверхкрупных проектов (например, ядра Linux) первоначальная индексация может занять несколько минут. Однако это разовые затраты.
Во-вторых, поддержка динамических языков ограничена. Разбор символов для Python и JavaScript относительно точен, но код, сильно зависящий от поведения во время выполнения (например, динамический import, рефлексия), может быть проиндексирован не полностью.
В-третьих, он решает задачу «понимания существующего кода», а не «написания нового». Если вы попросите агента написать новую функцию с нуля, CodeGraph поможет мало — его преимущество заключается в том, чтобы агент мог быстро разобраться в уже существующей кодовой базе.
Почему этот проект заслуживает внимания?
Инструменты AI-программирования переходят от «программирования в чате» к «глубокому пониманию кода». Ранние помощники по коду в ChatGPT по сути вели с вами диалог: вы описываете задачу, он генерирует код. Но при реальном внедрении в корпоративную разработку главная проблема заключается не в «написании кода», а в «понимании этого огромного проекта, написанного другими людьми 10 лет назад».
CodeGraph отражает тенденцию: инструментарий AI-агентов эволюционирует от «общего диалога» к «профессиональному интеллекту для работы с кодом». Речь идёт не о том, чтобы агент лучше болтал, а о том, чтобы он лучше понимал ваш код.
На данный момент в npm уже выпущена стабильная версия проекта под лицензией MIT. Если вы используете Claude Code или Cursor для крупных проектов, стоит потратить 5 минут на установку и попробовать его в деле.
Основной источник: GitHub - colbymchenry/codegraph