CodeGraph: Ein Wissensgraph für Ihren KI-Coding-Agenten aus jedem Ordner

Starten Sie eine neue Sitzung mit einem KI-Coding-Assistenten wie Claude Code oder Cursor, und Sie sehen jedes Mal dasselbe Ritual. Fragen Sie nach einem Feature, und der Agent dreht seine Runden mit ls, grep, read_file und wieder von vorn. Er nennt das Erkunden, und Sie bezahlen jeden Token, den er verbrennt, während er sucht, wo Ihre Authentifizierungslogik liegt.

Diese Suchphase ist eine versteckte Steuer auf agentengestützte Entwicklung. Ein Modell mit Denkvermögen auf Expertenniveau benimmt sich wie ein Bibliothekar, der jedes Buch im Gebäude durchblättert, nur um den Katalog zu finden. CodeGraph ändert die Rechnung. Es stellt über einen Model-Context-Protocol-Server (MCP) eine vorab erstellte Strukturkarte Ihrer Codebasis bereit, sodass der Agent die Suche überspringen und direkt zur Antwort gehen kann. Im Schnitt sinken die Tool-Aufrufe damit um mehr als 70% und die Token-Kosten fast um die Hälfte.

Was unter der Haube steckt

CodeGraph ist für schnelle Code-Analyse gebaut, und drei Bausteine machen das möglich.

Parsing mit Tree-sitter

Im Zentrum steht eine Parsing-Pipeline auf Basis von Tree-sitter. Suchwerkzeuge, die auf regulären Ausdrücken beruhen, gleichen Textmuster ab, CodeGraph dagegen nutzt einen echten grammatikbasierten Parser. Dadurch versteht es die Bausteine Ihres Codes, also Funktionen, Klassen und ihre Beziehungen, deutlich präziser.

Eine MCP-Brücke

CodeGraph spricht mit Ihrem Agenten über MCP, das den Austausch zwischen Agent und Graph auf Basis von JSON-RPC standardisiert.

Ein Graph-Schema in SQLite

Alles, was extrahiert wird, also Symbole und die Beziehungen zwischen ihnen, landet in einem optimierten Graph-Schema in SQLite, das auf schnelle Graph-Abfragen ausgelegt ist. Und alles bleibt auf Ihrem eigenen Rechner.

Zwei Vorteile jenseits der Geschwindigkeit

Dichterer Kontext, weniger Tokens

Agenten ersticken oft an aufgeblähtem Kontext: Große, unübersichtliche Dateien werden dem Modell gefüttert, nur damit es eine einzige Funktion findet. CodeGraph liefert stattdessen dichten Kontext. Es zieht nur die relevanten Symbole und ihre Beziehungen heraus, sodass das Modell mit möglichst wenigen Tokens möglichst viel Information bekommt.

Ihr Code bleibt lokal

Wenn so viel KI in der Cloud läuft, verdient der Datenschutz Aufmerksamkeit. CodeGraph arbeitet innerhalb einer lokalen Grenze. Ihr Quellcode und der daraus erzeugte SQLite-Graph verlassen nie Ihren Rechner, und der Agent fragt einen lokalen Server ab. Ihr geistiges Eigentum wird weder externer Indexierung noch Training ausgesetzt.

So funktioniert es

Die Effizienz kommt aus einer internen Pipeline mit vier Stufen, die rohe Quelldateien in einen leistungsfähigen Wissensgraphen verwandelt. Kurz gesagt: Der Parser liest den Code, Symbole und Beziehungen landen im lokalen SQLite-Speicher, und der MCP-Server beantwortet daraus die Anfragen des Agenten.

Einrichtung

Einen Ordner in einen Wissensgraphen zu verwandeln geht schnell, lokal und mit wenigen Schritten.

Installieren

CodeGraph ist ein schlankes Kommandozeilenwerkzeug. Installieren Sie es global mit npm:

npm install -g @colbymchenry/codegraph

Das Projekt indexieren

Führen Sie im Projektordner den init-Befehl aus. CodeGraph durchsucht die Dateien, analysiert ihre Struktur mit Tree-sitter und baut den lokalen SQLite-Graphen auf.

codegraph init -i

Den Agenten anbinden

Sobald die Indexierung fertig ist, verbinden Sie Ihren Coding-Assistenten, ob Claude Code, Cursor oder einen anderen, über die MCP-Brücke. Ab dann fragt der Agent den Graphen direkt ab und spart sich die teure Erkundung.

codegraph install

Entwickler, Agent und Graph im Zusammenspiel

Der eigentliche Nutzen entsteht in einem Dreiergespann. Sie liefern die Absicht, der Agent übernimmt das Denken, und CodeGraph stellt die Strukturkarte bereit. Weil der Kreislauf geschlossen ist, stützt sich jede Lösung auf das, was tatsächlich in der Codebasis steht.

Einordnung unter ähnlichen Werkzeugen

CodeGraph ist stark im strukturellen Kartieren, aber es ist nur ein Werkzeug in einem größeren Set, das Coding-Agenten klüger machen soll. Graphify extrahiert die semantische Bedeutung einer Codebasis, und lat.md hilft dabei, Absichten zu verwalten. CodeGraph liefert darunter die grundlegende Strukturschicht, sodass sich die drei ergänzen.

Der gesamte Ablauf

Der ganze Ablauf ist lokal, privat und in die Coding-Assistenten eingebunden, die Sie ohnehin nutzen. Indem CodeGraph Symbole und ihre Verbindungen abbildet, gibt es dem Agenten ein echtes Verständnis der Architektur. Ein eigener Satz von MCP-Befehlen lässt ihn durch komplexe Codebasen navigieren und eine Blast-Radius-Analyse durchführen, die zeigt, welche Teile von einem Codestück abhängen, bevor eine Änderung zum Problem wird.

Fazit

Agenten, die Zeit und Geld darauf verwenden, eine Codebasis zu erkunden, werden schnell teuer. CodeGraph gibt ihnen eine präzise, vorab indexierte Karte, sodass sie nicht mehr Bibliothekar spielen, sondern Probleme lösen. Betrachten Sie es als eine Schicht eines agentischen Stacks: Struktur von CodeGraph, semantische Bedeutung von Graphify, Absicht von lat.md. Das Prinzip ist einfach. Das Teuerste, was ein Agent tun kann, ist sich umzusehen, und mit einer Karte muss er nur noch hinschauen.