我们百分之五十七的 token 都被 ai 浪费掉了,每个编码命令 ai 都要反复 grab 查找文件获取、函数调用,这就是浪费所在。 github 上三十 k star 级别的 code graph 正是为解决这个问题而生。 code graph 的 思路很清晰,不要让 ai 每次都从文件系统里临时侦查,而是先把整个代码库预缩影成一张本地知识图谱,用 tree sitter 解析代码,把函数类文件 import 调用关系路由影响范围存进本地 sqlite。 当你问这个函数谁调用,改这里会影响哪里? agent 不 再一层层翻文件,而是直接查图谱,开发者用起来也很轻。本地安装 code graph, 进入项目运行一次抽象即可。之后 cloud code codex cursor、 open ukele 这类工具就能通过 mcp 调用它。官方 benchmark 显示,它平均能让成本下降约百分之三十五, token 减少百分之五十七,工具调用减少百分之七十一。 code graph 之外呢? codebase memory mix c p。 提供的是另一个思路, 更像一个通用的代码库记忆后端,它也是本地知识组谱,但更强调多语言覆盖、结构化查询和多 a 阵的接入。它支持大量 trace server 语言,提供十四个 m c p 工具,可以做调用链追踪、架构、代码检测、跨服务、 http 关系分析,甚至管理 adr。 如果你主要用 cloud code cursor codex 做日常开发,想立刻减少重复探索?先是 code graph, 如果你维护的是大仓库、多语言仓库、微服务仓库,想让 agent 长期记住架构和调用关系,再看 codebase memory mix cp。
粉丝4342获赞3.0万

给大家分享一下我实测的 code graph 以及 jibble, 我 们可以看一下它的这两个插件,它是属于 graph rag 领域的知识库。我们首先看一下它的 主页,它们完全是开源的,然后我们可以看一下怎么使用,我们首先介绍一下它是做什么的,它可以使用在 cloud, code, cursor 等等的编码工具以及 open cloud harmless agent。 然后它可以使用什么呢?我们可以看到它可以进行一个减少我们 查询时候的一个工具的调用,比如说我们在运行一个代码,需要了解这个代码的架构的时候,我们需要执行,比如说反复的执行 grab read find, 然后进行了解这个代码的结构,我们这个库可以进行一个 减少这个时间以及它的一个我们模型的消耗,降本增效。然后接下来我们看一下它的 jibri, jibri, jibri 是 什么?我们看一下它的一个界面,它是为了 openclaw 以及 harms agent 进行打造的一个数据库,进行记录它的一个对话等信息。我们首先看一下它的一个 刚才实测的一个数据,我们介绍一下这个实验是怎么做的,比如说我们看一下左侧,左侧这个是没有安装这个插件,我们让他分析一下,分析一下这个 j b r 的 项目的完整架构,然后 这是他的一个分别的要求,我们通过这个提示词,然后进行一个执行,我们可以看到他有很多的工具调用,比如说读写等等等,他会消耗很多的 token, 然后我们进行获取他最后的一个时间以及他的一个 token 的 消耗量,然后我们 看一下右侧,右侧的话我们进行第二个实验,就是把它的一个缓存给删掉,然后进行安装,首先安装下这个命令,然后我们进行一个构建它的一个锁影,我们构建这个 jb 的 一个锁影,可以看到已经导航到这里面,然后进行一个 index, 然后我们可以看到这个项目花了二十五秒,还是非常快的。然后我们继续运行 color code, 然后使用同一款模型,然后进行一个测试,同一个提示词,发现它最终 达到了现在我们展示的这个效果,从原来的六分钟到现在的不到两分钟, 然后实际的消耗,我们可以看到这个表现还是非常的亮眼的。对于我们在重复的一个工程,比如说很多的代码中需要很多很多词读取,这也就是一个 red 的 流程,通过这个库可以很明显地减少这个损耗。然后接下来我们介绍一下为什么 george 是 可以进行一个 减少的,看一看它的原理。通过我们对于它的源码的一个分析,我们可以看到它们构建的是一个数据库,并且使用的是一个算法的构建。我们看一下为什么可以不用 ai 就 可以构建, 因为我们代码本来就是结构化的,我们通过这个直接建图就行。我们看一下它的一个图解,比如说 这个就是我们的一个图解,然后我们通过自动解析,然后通过 a、 s、 d 的 语法术进行自动生成的一个知识读谱,这是完全不需要 ai 进行参与的,非常的高效。然后我们进行解释一下为什么不需要 模型就可以见图,因为我们使用的是代码,是结构化的,我们使用 a s t, 这就是一个抽象化的语法术。在我们运行代码的时候,比如说变异器,解释器这些东西都是可以一个很成熟的一个流程,因此我们可以直接进行复印它就可以了。然后接下来我们看一下 code graph 的 一个构建流程,我们首先进行一个源代码,然后进行一个解析,然后进行引映,它的这个解析最后储存在 circle light 里面,然后构建一个全局的缩影,这就是提供的一个工具自动进行, 它是一个基于 graphreg 的 一个知识图谱的知识库,它是一个知识库,我们由此可见这个基本的知识库是 ai 的 一个基础见识。然后我们看一下 openclaw 以及 harms 的 这些记忆,也就是之前的一个记忆体。我们首先看一下它的一个 开源的作者,它是在互联网上有很多的一个 start, 来到它们的界面可以看一下, 然后回到这里,我们看一下它是怎么监图的。我们可以看到用户进行提出问题,然后进行一个毁调,用了这个 skills, 然后进行把它格式化出来,格式化成 markdown, 然后通过 markdown 之后,然后通过一个正则化的进行提取一个知识库的建立, 我们可以看到虽然说它宣称的是零调用,但是在我们的一个格式化 markdown 的 时候,就是需要一个 ai 的 调用的, 然后进行一个向量化,以及我们图的一个增量更新,这就建立完了。然后接下来来到这个 核心的 skills, 这个就是他暴露的一个 m c p, 他的一个解锁的一个特征。首先是关键词的解锁,然后是一个混合解锁,混合解锁的是什么?比如比如说向量处理不好的编号等等的东西,交给我们全体的缩影,以及他的一个 r f 一个融合。什么是 r f? r f 就是 进行的一个召回的一个算法,比如说这里面就是一个余弦的一打分零点七的权重,再加上它的一个余弦相似度,这是它的一个特权。 然后接下来进行的是一个图的便利,我们可以看到它提升了百分之三十一个哦。 然后接下来我们分析一下 jeffrey 和他的一个 r m 的 viki 的 一个区别。可以看到 openai 的 创始人进行 一个想法,这是维护的是一个个人的知识库,而这个是进行的一个比较成熟的一个解锁了。然后接下来这就是他的一个独立使用,然后这是他的一个安装。

deepsea 又有新动作了。五月二十八日,其正式发布新一代代码专用大模型 deepsea coder v 三。在国际通用的 humanible mvp 两大代码基本测试中,该模型性能超越 gpt 五点五与 cloud 三 opus, 位列当前公开模型首位。官方明确,该模型个人使用免费 商用,也无需授权费用支持一百二十八 k 上下文与八十余种编程语言,从追赶到领跑,国产大模型正靠硬实力打破海外技术垄断。

科技圈直接炸了,这个开源项目直接让你家 ai 智商暴涨十七倍!今天要说的是他在 gethuber 已经拿下三十 k 的 star, 他 是专为 ai 编程智能题打造的代码知识图谱与缩影工具。他会提前扫描你整个项目,把所有函数、定义、变量、符号、调用关系、依赖链全部梳理成结构化知识图谱, ai 直接查图谱就能拿结果,不用再反复扫文件,实测效果非常夸张。在七个真实工业级项目的精准测试中, 同样四千个文件的大项目, ai 解锁调用次数从五十二次直接压到三次,效率暴涨十七倍, token 消耗还能减少百分之三十五。原声兼容 cloud code cursor、 open code、 get up copilot 所有主流 ai 编程助手,而且完全本地运行,代码数据绝对不会泄露。

今天 github training 里我选 code graph, 它不是写代码的 agent, 而是给 cloud code 的 这种 agent 提速的本地代码知识图谱。它现在两千八百多星 type script 的 技术站最新版本 v 零点七点六缸在五月十三日发布,专门修了全局安装后的 c i l i 可执行问题。 核心逻辑很简单,先把代码仓库预索引成符号关系调用链和结构图,然后 agent 直接插图,不再反复 grab find 和读文件。 readme 里最能打的是 benchmark, 平均少百分之九十二,工具调用探索速度快百分之七十一。像 vs code、 excalibre swift compiler 这种大仓库都测了。它还支持十九种以上语言框架,路由识别影响分析文搜索和文件监听自动同步,而且全程本地 sq lite, 不 用外部服务。 如果你已经在用 cloud code 或类似 agent 大 项目里,很值得。是现在常用代码仓库验证锁引速度、上下文质量和实际能省多少探索成本。

cloud for windows 桌面版界面并不支持中文语言,但是在 get up 上发现了一个提供汉化的开源项目, 可以看到这个项目是几天前才创建的,还比较新鲜。项目中带了完整的说明,有自动的 windows p 处理, 也有 power shell 脚本,可以自动检测你安装的 cloud for windows 桌面板并执行汉化,整个过程方便快捷,有需要的小伙伴不容错过。 安装成功之后,重启 cloud for windows 桌面板语言选项,里面就多出了中文,不要犹豫,赶紧安装试试吧。

今天 github 热榜里,我觉得程序员很该看的一个项目叫 call graph。 它不是普通代码搜索,也不是又一个 ai 聊天壳,而是在给 cloud code、 codex、 cursor 这类代码智能体补一层本地代码知识图谱。 它做的是很直接,先把仓库里的符号关系、调用链、模块结构、路由关系提前锁引好,这样智能体提问就能拿到关键上下文。 所以它最打人的点不是概念新,而是价值特别直观。官方 benchmark 的 数据很猛,平均百分之九十二更少工具调用百分之七十一更快探索顶部宣传,甚至直接写百分之九十四 fewer tools, 百分之七十七 faster exploration。 像 java 代码库那组测试,甚至只用一次 explorer 调用,就回答了整条执行链路。为什么这件事重要?因为现在 ai coding 最大的问题,很多时候已经不是会不会写,而是进了大项目以后会不会迷路。 上下文找不准,智能体就会疯狂读文件,误判影响面,改断调用链。 call graph 补的就是这个真实痛点。 它还有三个很适合记住的亮点,第一,百分之一百本地运行,底层是 sq lite, 不 走外部服务。第二,支持十九种以上语言,从 tax、 script、 拍访、 go rust、 java 到 swift、 c 井都覆盖。第三,还能识别十三类 web 框架路由,把 url 和处理函数连起来,上手也不复杂。先装好 co graph, 再进项目执行 co graph in it i 键缩影 之后,智能体就能直接查 search collars、 calice impact, 而不是每次重新翻仓库。 所以我觉得 co graph 值得关注,不只是因为它今天新增大约四百一十六个 star, 而是因为它踩中了 ai coding。 下一阶段最关键的问题不是让模型多写一点,而是让它在复杂代码库里更少迷路,更快找对、更稳改对。 如果你已经在重度使用 cloud code 或 cursor, 这个项目很值得收藏。

二零二六年五月二十五日 get haul 今日热门来了!今天的 top 八个项目,带你看清开发者风向。 这是一个将任意代码库转换为可交互知识图谱的工具,开发者可以在途中自由探索代码结构、搜索模块并直接提问。它以教学图谱优于展示图谱为核心理念,让复杂代码库的逻辑关系一目了然。 ai 辅助代码理解是当前热门需求。该项目将代码可化与 ai 交互融为一体,近日已近五千六百星强势登顶。 我的看法是,代码转知识图谱挺有意思,但 t s 项目落地要看模型成本和大库性能,先拿小仓库试水再说。 这是 entropic 官方发布的开源插件集合,专为知识工作者在 cloud 工作协助场景中使用而设计,覆盖文档处理、知识管理等典型职场工作流。 凭借 entropic 官方背书,发布后立即引发开发者社区广泛关注。该项目是 entropic 推动 ai 深入渗透专业工作场景的重要基础设施布局。 我的看法是, entropic 官方知识工作者插件集合 co work 场景开箱即用,想白嫖官方 prompt 工程模板的可以直接抄。 这是一个从零开始系统学习 ai 工程的实践课程。项目包含从基础原理到生产部署的完整链路,以学习、构建、交付为口号,面向希望入行 ai 工程的开发者。 它解决了 ai 学习资源碎片化的问题,提供结构化的成长路径。系统化、可落地的 ai 工程学习资源,在社区中始终保持高热度,今日再次大幅上榜。 我的看法是,从零学 ai 工程的实践教程三千加 stars 说明需求真实,但学习资源类项目质量参差,得先翻目录看是真干货还是水客。 ecc 是 一个跨工具的 ai 编程 agent 性能优化框架,为 cloud code codex、 cursor 等主流工具统一提供技能、记忆、安全等能力模块。 它填补了多种 ai 编程工具缺乏统一 agent 能力层的空白,通过结构化方式显著提升 agent 执行效率。 随着 ai 编程工具生态持续爆发,此类跨平台优化框架正受到越来越多开发者的追捧。 我的看法是,跨工具 agent 优化层给 cloud code codex、 cursor 装统一的技能记忆模块,照着 remi 配置文件铺一遍能用,但跨工具兼容性得自己踩坑验证。 这是一个为 ai agent 提供的结构化网络安全技能库,收入七百五十四项技能,并精确映射到 miter、 a、 t、 t 与 ck、 list、 c、 s、 f、 二点零等五大权威安全框架。 它解决了 ai 安全 agent 缺乏标准化技能体系的核心痛点,让安全场景下的 ai 应用有规可循。 随着 ai 在 安全领域落地,需求激增,该资源库未构建合规可信的安全 ai 系统提供了重要参考基础。 我的看法是,七百五十四条安全技能映射到 a、 t、 t 与 c、 k 等五大框架,给 agent 当知识库还行,自己用得先想清楚怎么喂进去。 call graph 是 一个完全本地运行的预锁引代码知识图谱工具,专为 clock code、 cursor 等 ai 编程助手设计,通过预购键锁引,大幅减少 token 消耗和工具调用次数, 完全本地化架构,同时保障了代码隐私,无需将原码上传至第三方服务。在 ai 编程工具成本与隐私顾虑双重驱动下,该项目已超三千今日新星,跻身今日套排行。 我的看法是,给 ai 编程助手做本地预缩隐知识图谱,省 token 省调用思路。对,但要看缩隐质量和增量更新跟不跟得上改动。 comax 是 基于 ghosty 打造的 macofeed 终端应用,专门针对 ai 编程 agent 工作场景优化,提供垂直标签页布局与智能通知机制。 它解决了开发者同时运行多个 ai agent 时,终端管理混乱、状态难以追踪的问题,显著改善多 agent 并行宫作流的使用体验。 作为少有的专注 ai agent 使用场景的原声, mac os 终端工具在 ai 编码热潮中收获了一批忠实的 mac os 开发者用户。我的看法是,基于 ghosty 的 mac os 终端垂直标签加 agent 完成通知,跑多个 cloud co 时确实顺手。 这是一个极简单文件项目,通过一份精心设计的 cloud md 配置文件,改善 cloud code 的 编程行为。全部内容源自 andrew carpathi 对 大模型编码缺陷的深刻洞察与实践总结。 他以最低的使用门槛帮助开发者规避 ai 编程中的常见陷阱,实用价值极高。借助 carpathia 的 行业权威影响力与 cloud code 持续高涨的社区热度,该项目近日实现病毒式传播。 我的看法是,一份 cloud md 拖进项目就能用约束 cloud code 别过度设计做手术,刀式改动,五分钟见效。 以上就是今日 geek hop 热门项目,关注我,每天一分钟看清开发者风向!


今天,两个 github 项目冲上趋势榜。 understand anything 和 code graph 代表代码知识图谱的两种技术路线。 ai 编码代里面临三大挑战,上下文窗口限制、无法处理大型代码库,工具调用效率低,消耗大量 token, 缺乏大局视野,难以理解依赖关系 知识图谱通过 a s t。 解析提取符号,建立关系模型,存入图数据库,为 ai 代理提供高效查询接口。 知识图谱发展历程,二零一二年 google 提出概念。二零二零年, bref r a g。 技术兴起。二零二四年,代码知识图谱出现。二零二六年,与 ai 编码代理深度集成 技术眼镜从静态 a s t。 分 析到 ai 增强,从手动缩影到自动构建,从单一语言到多语言统一,从本地工具到云端混合。 understand anything 采用五 agent 架构,提供架构健康评估和交互式可适化支持主流 ai 编码工具 code graph 完全本地运行,保护隐私,使用 tree ceter 解析域锁影机制,大幅提升查询效率。 两者技术路线不同, understand anything 侧重实时分析和可视化。 code graph 专注域锁影查询和隐私保护, 选择工具看场景理解代码,酷用 understand anything 优化查询用 code graph 团队携作用,可视化,隐私敏感用本地。 这两个项目标志 a a i。 编码生态形成分层架构,代码知识图谱正成为不可或缺的基础设施层,未来将支持实时增量缩影、多语言统一分析、语义理解增强, m c p 协议正成为通信标准。 总结,两者互补而非竞争。开发者将不再阅读代码,而是查询和对话代码。 感谢观看代码知识图谱,正从可选工具变为基础设施,关注这两个项目,把握 ai 编码未来。


当 ai 编程助手探索代码库时,他会不断调用 graph、 blob 和 read 工具扫描文件,每次工具调用都在消耗 token。 code graph 为这些助手提供了一个预缩影的知识图谱,让 ai 直接查询符号、关系调用图和代码结构,而不是一个个文件去翻。 问题的核心在于 cloud code 探索代码库时,会启动 explore, 子代理用 grab find read 一个个扫描文件, 每次工具调用都消耗 token 和时间,大量预算浪费在发现阶段。更糟的是,子代理会在启动子代理,层层嵌套,导致成本失控。 code graph 的 方案很直接,预先构建代码知识图谱,把符号、关系调用图、代码结构全部锁紧好 a a i 只需一次工具调用,就能拿到入口点关联符号和代码片段,不需要再启动探索。子代理 还支持权威搜索和影响分析,追踪任意符号的完整影响半径数据说话。在七个真实开源项目上,测试覆盖七种编程语言, 平均结果成本降低百分之三十五, token 消耗减少百分之五十七,响应速度快百分之四十六,工具调用次数减少百分之七十一。项目越大效果越显著,大型项目效果尤为惊人。 vs code 约一万个文件, token 消耗减少百分之七十八,速度快百分之五十二。 excalibur 的 token 消耗直接降了百分之九十。 tokyo 这个 rest 项目成本降低百分之八十二,几乎是一个数量级的提升。 代码库越大,原声搜索越昂贵, code graph 的 优势就越明显。 code graph 的 工作方式是先用 code graph 下划线 context 映设代码区域,再用一次 code graph 下划线 explore 获取相关源码,然后直接回答, 通常零文件读取就能完成。没有 code graph 时, ai 和它的子代码循环往复。 技术特性方面,支持十九种以上编程语言,包括 typescript、 python、 go, rest、 java 等主流语言。 框架感知能力,可以识别十四种 web 框架的路由模式。把 url 模式链接到对应的处理函数。 文件监视器使用原声 o s 事件防抖,自动同步,图谱始终最新。最重要的是百分之一百本地运行,不需要 api 密钥,数据不离开你的机器框架。路由识别是一个很实用的功能, code graph 能识别 dango、 flask、 fast api、 express、 nest js 等十四种框架的路由文件,自动把 url 模式和处理函数关联起来,查询某个试图的调用者时,能直接看到是哪个 url 绑定到它。不用手动翻。路由配置 安装非常简单, windows 用 powershell 和 linux 用 curl, 如果已有 node js, npx 零安装直接运行,然后进入项目目录,执行 co graph in it minus i 交互式配置。你的 ai 代理支持 cloud、 code cursor、 codex、 cioi 等主流工具。 不想用了, code graph on install, 一 条命令彻底移除。总结 code graph, 他 给 ai 编程助手提供了一个预缩影的代码知识图谱,让 ai 能直接查询符号关系和代码结构,而不是竹文件扫描 实测平均节省百分之三十五,成本减少百分之五十七, token 加速百分之四十六,支持十九家语言,十四种框架路由识别百分之一百本地运行。 代码库越大,收益越大。项目地址, github 点 com 斜杠 kobe mack henry 斜杠 code graph。

二零二六年五月二十三日 get haul 今日热门来了!今天的 top 八个项目,带你看清开发者风向。 co graph 是 一个为 ai 编程 agent 设计的预缩引代码知识图谱工具,支持完全本地化运行。它将代码库结构化为知识图谱,让 ai agent 能更精准地理解代码依赖和语义关系。 随着 ai 编程助手的普及,这类提升 agent 代码理解能力的基础设施工具正受到广泛关注。 我的看法是,给 ai agent 为代码上下文的本地知识图谱。思路对,但两千四百三十四星一天涨得有点猛,先看能不能跑通再说。 understand anything 能将任意代码库转换为可交互的知识图谱,用户可以在图谱上自由探索并提问。它解决了大型代码库难以理解和上手的痛点,特别适合新人快速熟悉陌生项目。 交互式可是画家问答的组合,使其成为代码理解领域的创新工具。我的看法是,把代码库变成可点击的知识图谱加问答思路很好,但 t s 实现的本地缩影,大项目八成跑不动,先拿小仓库试试。 这是 entropic 官方维护的 cloud code 插件目录,收入了经过审核的高质量插件,官方背书保证了插件的质量和安全性,解决了社区插件鱼龙混杂的问题。 随着 cloud code 生态的快速扩展,官方插件目录的发布自然引发了大量关注。我的看法是,官方插件目录上线装一个就能直接用,省去自己翻 github 挑插件的功夫,质量也有兜底。 这是一个从零开始系统学习 ai 工程的教育资源库,包含学习、构建到部署的完整链路,他将零散的 ai 工程知识整合为一套完整的学习路径,降低了入门门槛。 面向 ai 工程化方向的学习资源需求旺盛。这类一站式教程类项目持续受到开发者追捧。我的看法是,教程仓库目录大纲式资源,真正能跑的代码占比要打问号,适合收藏当缩影,别指望直接照着上手。 这个项目提供一份单一配置文件,基于 andrycarpus 对 l l m 的 深刻洞见来优化 clock code 的 行为模式。极简的形式,仅一个配置文件却能显著提升 a u a 编码体验,切中了开发者的实际痛点。 carpacy 的 影响力加上实用价值,使其成为今日 star 增长最快的项目。我的看法是,一份配置文件套用 carpacy 的 l l m 直觉来调教 plc 下载即用,但效果好不好的,自己跑几天才知道。 financenter 是 一个现代化的终端金融应用,集成了市场分析、研究工具和经济数据功能。它将专业金融数据工具带入命令行环境,让量化研究者和金融开发者无需切换 goi 即可完成数据分析。 对标 bloomberg terminal 的 开源替代方案定位是其吸引关注的核心亮点。我的看法是,想做开源版澎湃终端,方向有意思,但功能深度还差很远。先当数据聚合工具用。专业场景别指望 这是 chrome devtools 团队推出的 mcp model context protocol 集成,专为 ai 编程 agent 提供浏览器调试能力。 它让 ai agent 能直接操控 chrome devtools, 实现自动化的前端调试和性能分析。官方团队背书的 m c p 工具稀缺,一经发布便迅速引发前端社区关注。 我的看法是, chrome 官方给 ai agent 开的调试通道,配 cloud code 这类能跑 m c p 的 客户端,直接能用前端调试自动化,今天就能落地 do net skills 是 微软点 net 团队发布的官方 skills 仓库,专门帮助 ai 编程 agent 更好地处理点。 net 和 c 警相关任务。 通过提供结构化的技能描述, ai agent 能更准确地理解点。 net 生态的最佳实践和常见模式。官方维护的 agent skill 资源正在成为各大平台生态建设的重要组成部分。 我的看法是,微软官方给 ai agent 的 点 next skill 库写 c 景时挂上能少踩坑,目前内容还薄,得自己调着用。 以上就是今日 github 热门项目,关注我,每天一分钟看清开发者风向。

今天聊一个刚上 trending 的 项目, code graph, 给 cloud code cursor 这些编程助手装了个代码,地图效果是工具调用减少百分之九十四,探索速度加快百分之七十七。想想这个场景, agent 要理解一个代码库,就像侦探走进一栋大楼, 没有地图,只能一间一间开门翻每个柜子,这就是 graph 和文件,扫描费 token 又费时间。 code graph 相当于提前给了侦探整栋楼的蓝图。 code in it 之后,代码被解析成知识图谱, 哪个函数调了哪个累,在哪个文件路由绑到什么处理器,全在图里。标好了, agent 现在一个查询就能拿到入口相关符号,代码片段,不用再一间一间翻抽屉了。 对比数据很直观。 vs code 仓库不用 code graph 要五十二次,工具调用一分三十七秒,用了只要三次十七秒。就像找本书,从挨个书架找变成直接查找引号。 六组测试平均百分之九十二,更少的调用百分之七十一更快。而且 agent 从来没回退盗读文件,他完全信任这张图,就像外卖原信导航,不走回头路,支持十九种语言, typescript, python, go, rest, java 全有,还能识别十三个 web 框架的路由,问某个试图的调用者,直接返回 url 路径, 就像知道哪个公交站到哪个景点,不用自己查时刻表。安装一型命令, mpx at kobe mckrey co graph 交互式安装器,自动配好 cloud code cursor, codex 进项目目录 co graph in it i 就 行,代码改了图会自动更新,用原声文件,事件监听,不用手动重新缩影,而且百分之一百本地运行, 不需要 api key, 不 走外部省车肯就是省钱。一句话,用 ai 编程助手看大项目,先装个地图准没错,下期见。

五十二次工具调用,一分三十七秒,这是 cloud code 探索 vs code 代码库的真实数据。用了 code graph 之后呢? 三次调用十七秒,同一个问题,同一个模型,代码知识图谱,直接把答案送到 agent 面前。说实话,你们用 cloud code 的 肯定遇到过这种情况, agent 先 grab, 再 glob, 然后一个文件一个文件 delete, 代码库一上万,它就在那不停地扫,每次调用都在烧你的 token。 swift 编辑器,两万五千个文件,传统方式根本转不过来。这不是我瞎说,这是六个真实代码库的实测数据 vs code, 四千个文件,从五十二次调用降到三次。 java 项目更夸张,一次 explore 调用就搞定了。 almo fire 九步调用链,从 session request 到 url、 session data test、 code graph 的 图片力一次就追到了。 最猛的是 swift 编辑器,两万五千个文件,二十七万个节点,六次调用三十五秒,一个文件都没读。原理其实很优雅。 他用 tree ceter 把源码解析乘于法数,然后提取函数类调用关系,这些符号、节点和边全部存进本地 sql 数据库。 通过 m c p server 暴露八个工具, cloud code 直接查询,不用 graph, 不 用竹文件读,支持十九种语言,数据全在本地,文件改了自动同步。你可能会想,这不就是个代码搜索工具吗?但其实最离谱的是这个六个代码搜索工具吗?所有测试 agent 用了 code graph 之后,零次文件读取, 它完全信任图谱返回的结果,从来不需要回退去读源文件。而且它还能自动识别 dango、 flask、 fast api 这些框架的路由,把 url 直接关联到处理函数。 你改了代码,两秒内自动同步,不只是给 cloud code 用的。参与大型开源项目,它能帮你秒级定位两万五千个文件里的目标函数 做 c i c d。 它能追踪依赖变化至跑受影响的测试,开发自己的 ai agent。 它的 library api 可以 直接集成 十九种语言全覆盖,而且所有数据都在你本地零外显。代码探索本该如此。这个项目刚上 github, trending 日增近四百颗 star, 势头很猛。 mit 开源协议完全免费支持十九种语言。 不管你是用 cloud code 的 开发者,还是在做自己的 ai agent, 都值得试一试。关注我,下期继续带你发现 github 上的宝藏项目。

大家好,欢迎回来,本周 g hub 上又涌现了一批超火的开源项目,每一个都让人眼前一亮。 今天我从中精选了五个最值得关注的仓库,一起来看看吧。第一个是 code graph, 它为 cloud、 codex、 cursor 等 ai 编程工具预构建了代码知识图谱。简单来说,它让 ai 更高效地理解你的代码库,减少 token 消耗和工具调用次数,而且完全在本地运行,不用担心隐私问题。 一周涨了将近一万六千新,说明开发者们对 ai 编程效率的需求真的非常强烈。第二个是 openhuman 用 rest 写的个人 ai 超级智能助手,它主打私密,简洁、强大,所有数据都在本地处理,不经过任何第三方服务器。本周新增超过一万六千新,是本期掌心最多的项目,可以看出大家对隐私优先的 ai 助手有多期待。 第三个是 academic research skills, 他 给 cloud code 装上了学术研究的完整工作流,从文献调研、论文著写,到同行评审、修改润色,再到最终定稿,一条龙搞定, 对于科研工作者来说,这简直是效率神器。第四个是 ai engineering from scratch, 一个从零开始学 ai 工程的开源教程,它的理念是学完就能动手构建,构建完就能交付给别人使用。对于想系统入门 ai 工程的朋友来说,这是一份非常实用的学习路线图。 最后一个是 roview, 它能把普通 wifi 信号变成实时空间感知系统,实现生命体征监测和人体存在检测,完全不需要摄像头, 用 rasp 实现六万多星的热度,说明这个方向潜力巨大,隐私友好的智能感知正在成为趋势。以上就是本周最火的五个 github 项目,如果你觉得有帮助,别忘了点赞关注我们下。

今天带来的是 co graph, 一个专为 coding agent 设计的代码知识图谱和 m, c, p 服务器。它不只是一个搜索工具,你可以把它理解成专门给 coding agent 用的代码,截破锁隐藏。 他会把代码里的 a, s, t, 也就是抽象语法数抽成图存到本地 s, k, w, time, 然后通过 c, l, i 和 m, c, p 把符号关系调用链,文件依赖改动影响这些信息暴露给 a 诊,这样 a 诊理解代码库时,就不用一直 grape, 不 用反复读文件,也不用把 token 发在找路上。 他可以先问捷豹这个函数被谁调用,这次改动会影响哪里,这段业务流程怎么走?所以 co graph 的 价值不是替 agent 写代码,而是给 agent 一 张更靠谱的代码地图。