CodeGraph: un grafo de conocimiento de cualquier carpeta para su agente de código con IA
Cómo CodeGraph indexa una base de código con Tree-sitter y SQLite, la sirve por MCP y reduce un 70% las llamadas a herramientas del agente y casi a la mitad el coste en tokens, todo en local.
Abra una sesión nueva con un asistente de código con IA como Claude Code o Cursor y verá siempre la misma rutina. Pregunte por una funcionalidad y el agente empieza a dar vueltas con ls, grep, read_file y vuelta a empezar. Lo llama explorar, y usted paga cada token que quema mientras busca dónde vive su lógica de autenticación.
Esa fase de búsqueda es un impuesto oculto del desarrollo con agentes. Un modelo con capacidad de razonamiento de nivel experto acaba comportándose como un bibliotecario que hojea todos los libros del edificio solo para encontrar el índice. CodeGraph cambia las cuentas. Sirve un mapa estructural de su base de código ya construido a través de un servidor Model Context Protocol (MCP), de modo que el agente puede saltarse la búsqueda e ir directo a la respuesta. De media, eso reduce las llamadas a herramientas en más de un 70% y el coste en tokens casi a la mitad.
Qué hay por dentro
CodeGraph está pensado para analizar código con rapidez, y tres piezas lo hacen posible.
Análisis con Tree-sitter
En el centro hay un pipeline de análisis con Tree-sitter. Las herramientas de búsqueda basadas en expresiones regulares comparan patrones de texto, pero CodeGraph usa un parser real basado en gramática, así que entiende con mucha más precisión los bloques de su código, como funciones, clases y las relaciones entre ellos.
Un puente MCP
CodeGraph se comunica con su agente mediante MCP, que estandariza el intercambio entre el agente y el grafo usando JSON-RPC.
Un esquema de grafo en SQLite
Todo lo que se extrae, los símbolos y las relaciones entre ellos, va a un esquema de grafo optimizado en SQLite pensado para consultas rápidas, y todo se queda en su propia máquina.
Dos ventajas más allá de la velocidad
Contexto más denso, menos tokens
A menudo los agentes se ahogan en contexto inflado: se le pasan al modelo archivos grandes y desordenados solo para que encuentre una función. CodeGraph, en cambio, aporta un contexto denso. Extrae únicamente los símbolos relevantes y sus relaciones, de modo que el modelo recibe la mayor cantidad de información con la menor cantidad de tokens.
Su código se queda en local
Con tanta IA funcionando en la nube, la privacidad merece atención. CodeGraph trabaja dentro de un perímetro local. Su código fuente y el grafo de SQLite resultante nunca salen de su ordenador, y el agente consulta un servidor local. Su propiedad intelectual no queda expuesta a indexación externa ni a entrenamiento.
Cómo funciona
La eficiencia viene de un pipeline interno de cuatro etapas que convierte los archivos fuente en bruto en un grafo de conocimiento de alto rendimiento. En resumen, el parser lee el código, los símbolos y las relaciones se guardan en el almacén local de SQLite y el servidor MCP responde desde ahí a las consultas del agente.
Configuración
Convertir una carpeta en un grafo de conocimiento es rápido, local y requiere pocos pasos.
Instalación
CodeGraph es una herramienta de línea de comandos ligera. Instálela de forma global con npm:
npm install -g @colbymchenry/codegraph
Indexar el proyecto
Desde la carpeta del proyecto, ejecute el comando init. CodeGraph recorre los archivos, analiza su estructura con Tree-sitter y construye el grafo local en SQLite.
codegraph init -i
Conectar el agente
Cuando termine la indexación, conecte su asistente de código, sea Claude Code, Cursor u otro, a través del puente MCP. A partir de ese momento el agente consulta el grafo directamente y se ahorra la costosa exploración.
codegraph install
Desarrollador, agente y grafo trabajando juntos
El verdadero beneficio llega con un flujo de trabajo a tres bandas. Usted aporta la intención, el agente razona y CodeGraph proporciona el mapa estructural. Como el ciclo es cerrado, cada solución se apoya en lo que realmente contiene la base de código.
Dónde encaja entre herramientas similares
CodeGraph destaca en el mapeo estructural, pero es una herramienta dentro de un conjunto más amplio pensado para hacer más listos a los agentes de código. Graphify extrae el significado semántico de una base de código y lat.md ayuda a gestionar la intención. CodeGraph aporta la capa estructural de base sobre la que se apoyan ambas, así que las tres se complementan.
El flujo completo
Todo el flujo es local, privado y está integrado en los asistentes de código que ya usa. Al mapear los símbolos y cómo se conectan, CodeGraph le da al agente una comprensión real de la arquitectura. Un conjunto propio de comandos MCP le permite moverse por bases de código complejas y hacer análisis de radio de impacto, que muestra qué partes dependen de un fragmento de código antes de que un cambio se convierta en un problema.
En resumen
Los agentes que gastan tiempo y dinero explorando una base de código salen caros enseguida. CodeGraph les entrega un mapa preciso e indexado de antemano, así que dejan de hacer de bibliotecarios y se ponen a resolver problemas. Piense en él como una capa de un stack de agentes: la estructura la da CodeGraph, el significado semántico Graphify y la intención lat.md. El principio es sencillo. Lo más caro que puede hacer un agente es ponerse a buscar, y con un mapa le basta con mirar.