AI编程实践第11节：使用代码图谱codegraph降低模型Token消耗

公众号名称：无处不在的技术

作者名称：爱海贼的无处不在

发布时间：2026-05-23 13:28

持续内容输出，点击蓝字关注我吧

前言

来看一段AI大模型对它的介绍

过去一年，AI Coding 几乎重塑了整个软件开发行业。从 Claude Code 到 Cursor，再到各种 Agent。大家都在讨论：更强的模型、更长的上下文、更聪明的 Agent、更复杂的 Workflow。这个过程中大家都会遇到一个实际的问题，AI 到底为什么会消耗那么多 Token？

从我个人的角度来看，对于AI编码来说，一个非常大的消耗是【AI 对代码库的“探索成本”】。

当AI Agent 进入一个陌生仓库时，实际上它并不知道项目环境的各种信息，例如：

登录入口在哪
调用链如何流转
哪些模块存在关联
某个函数被谁调用
哪个改动会影响测试

于是它只能：到处搜索、反复读文件、不断构建临时上下文、再重新推理。而这一切，都在疯狂消耗 Token。

每个写过真实软件项目的人，大概都经历过这样的时刻。对于一个很简单的问题，比如“这个登录流程到底从哪里开始、最后会影响哪些地方”，多数没有进行环境配置的AI，都会先四处张望，再一层层翻文件、跑搜索、找线索。时间在流逝，token 在燃烧，问题还没回答，探索本身已经先把上下文吃掉了一大截。

每次进入一个陌生仓库，Agent工具还是会先迷路。然后不停地搜索：

grep
glob
find
Read
再 grep
再 Read

背后可能是：40 次 Tool Call、十几次 Read、上万 Token，90% 的内容最后根本没用。像一个人在黑暗里摸索房间的墙壁。

我们看到的影响则是：Context 被迅速填满、Token 像流水一样燃烧、Tool Call 越来越多、AI 开始“失忆”、最后回答越来越偏。

对于Agent应用和日常AI编码的时候，降低Token的情况，个人目前掌握的几个点如下：

最近Github上有个开源项目飙升很快，虽然之前也出现了一些类似的产品，但是这个产品感觉挺合适很多人，轻量的同时，还很实用，它就是：CodeGraph。

目前快要达到16K，地址为：https://github.com/colbymchenry/codegraph

截图如下：

这个工具想做的，就是把这场“盲人摸象”变成“带着地图出发”——它先把代码的结构、符号关系、调用链和影响范围预先整理成知识图谱，再让 AI 直接查询图谱，而不是每次都从头扫文件。

它的定位是本地优先、零配置、面向 AI 编程助手的代码知识图谱工具，强调更少 token、更少工具调用、并且 100% 本地运行。

官方的数据截图如下：

CodeGraph 本质上是：一个“预先理解代码”的知识图谱系统。使用的时候，我们提前预构建代码关系图谱，然后让AI直接查询图谱，再获取结构化上下文，在进行回答。

它是本地优先的工具，运行在你的机器上，不依赖外部服务，支持 Windows、macOS、Linux，并且有脚本安装方式，也支持 npx 和全局 npm 安装。项目级别会生成自己的 .codegraph/ 目录，配置和数据都跟着项目

总结

首先我们看谁最需要这个工具？

我个人觉得最直接的受益者是 Claude Code、Cursor、Codex CLI、OpenCode、Hermes Agent 这类 AI 编程助手，以及使用它们的开发者。

CodeGraph 的 README 直接把这些 Agent 作为目标对象，并且安装器会自动配置它们。对于团队来说，凡是经常在中大型代码库里做排查、重构、联调、测试影响分析的人，都会明显感受到它的价值。

再来看下它能做什么？

官网介绍是它可以把代码变成一个“可查询的图谱”。可以查符号、查结构、查调用者和被调用者、查影响范围、查上下文、查文件树，还能做增量同步和受影响测试文件分析。官方 CLI 里就包含 init、index、sync、query、files、context、affected、serve —mcp 等命令。

接下来，我们操作一下，看看效果。

首先我们需要在电脑上全局安装这个依赖，执行命令如下所示：

npm i -g @colbymchenry/codegraph

理解：

接下来，我们准备一个项目，准备开始干，这里我先用的是一个1000多个文件的项目，开源的电商商城项目：CRMEB Java

接下来，我们切换到这个项目的目录下，然后执行命令进行图谱的初始化：

codegraph init -i

执行效果也非常的快，这个项目1000多个文件，解析结果如下：

┌  Initializing CodeGraph
│
◆  Initialized in /Users/develop/gitee/crmebv14
│
│  ◆ Scanning files — 1,040 found
│  ◆ Parsing code — done
│  ◆ Resolving refs — done
│
◆  Indexed 1,030 files
│
●  21,719 nodes, 20,118 edges in 11.3s
│
└  Done

初始化完成之后，输出了2万个节点，2w个关系，接下来我们看看代码仓库发生了什么？

当前目录下生成了一个.codegraph的文件夹：

我们使用sqlite客户端查看一下数据：

维护了几张表。

有了如下的数据后，我们可以接下来配置Agent环境，让他使用，可以执行如下命令交互方式配置：

npx @colbymchenry/codegraph

这个命令会自动完成以下操作：

询问你要配置哪些 Agent —— 会自动检测已安装的工具，包括：
Claude Code
Cursor
Codex CLI
opencode
Hermes Agent
提示是否将 codegraph 安装到你的 PATH 中（这样 Agent 才能启动 MCP Server）
询问配置是应用于：
所有项目（global）
还是仅当前项目（local）
为每个选中的 Agent 写入 MCP Server 配置以及对应的说明文件，例如：
CLAUDE.md
.cursor/rules/codegraph.mdc
～/.codex/AGENTS.md
如果目标包含 Claude Code，还会自动配置 Auto-Allow 权限
初始化当前项目（仅本地安装模式）

执行后的第一步如下所示：

这里我选择的是ClaudeCode。

然后选择安装CLI到环境变量中，然后选择全局或者当前项目，我选择的是当前项目：

执行完成后，可以初始化了一些目录文件：

我们看下当前项目出现了什么，当前项目的CLAUDE文件自动增加了一些提示：

然后给我们配置了一个mcp server：

接下来我们发起一个测试的问题，截图如下：

可以看到返回结果的速度非常快的就返回来了，再看下cc switch的日志：

触发了一次工具调用，就获取到了相关的结果，然后提供给AI进行回答。

接下来在换个问题：物流查询的逻辑的实现方式：

我的API中转站的只调用了5次大模型接口：

接下来，我们把这个mcp文件取消，同时取消claude文件中的说明，再来一次看看效果：

我依然是相同的问题，可以看到这样一个简单的问题，执行了好久，大量的READ工具执行，执行了3分钟16s，然后多次调用了工具：

然后我的中转站针对这样的一个问题，请求次数总共消耗了57次：

这结果简直是天差地别。

那么在我的项目中，我的测试效果数据对比如下：

1、存在代码图谱CodeGraph的情况下：接口请求次数5次、耗时33s

2、不存在代码图谱CodeGraph的情况下：接口请求次数57次，耗时3分钟。

请求次数直接消耗了10倍，所以说，当我们给AI提供了一些能够快速定位代码的工具后，我们的接口调用次数减少。

CodeGraph 的核心，不是简单地做文本检索，而是为代码建立一种结构化、可问答的“记忆”。

它基于语义知识图谱理解代码之间的连接关系，能回答“谁调用了谁”“某个改动会影响哪里”“给我一段适合 AI 理解的上下文”这类问题；它还提供 codegraph_search、codegraph_context、codegraph_callers、codegraph_callees、codegraph_impact、codegraph_node、codegraph_files、codegraph_status 等 MCP 工具，让 Claude Code 这类 Agent 直接按图索骥。

它既可以作为 MCP Server 使用，也可以作为 Node.js 库嵌入项目里。

这个工具也支持交互模式（脚本 / CI 场景）

codegraph install —yes

自动检测 Agent，并执行全局安装。

codegraph install —target=cursor,claude —yes

显式指定目标 Agent。

codegraph install —target=auto —location=local

自动检测 Agent，并仅安装到当前项目。

codegraph install —print-config codex

仅输出配置片段，不写入任何文件。

CodeGraph的“脑子”不是靠大模型临时猜出来的，而是靠 AST 和 tree-sitter 做确定性抽取，再落到本地 SQLite 数据里；官方文档还明确强调，它支持多语言、零外部 API 依赖，并且每个项目都有自己的 .codegraph/ 目录。换句话说，CodeGraph 更像一个安静、可靠的图书管理员：它不替你创作，但它会把书架、目录、索引、交叉引用都整理好，让你一伸手就摸到关键页。

架构图如下所示：

它提供的工具如下所示：

我们也可以使用代码编程的方式触发这个工具的执行，官网的示例代码如下所示：

import CodeGraph from '@colbymchenry/codegraph';
const cg = await CodeGraph.init('/path/to/project');
// Or: const cg = await CodeGraph.open('/path/to/project');
await cg.indexAll({
onProgress: (p) => console.log(`${p.phase}: ${p.current}/${p.total}`)
});
const results = cg.searchNodes('UserService');
const callers = cg.getCallers(results[0].node.id);
const context = await cg.buildContext('fix login bug', { maxNodes: 20, includeCode: true, format: 'markdown' });
const impact = cg.getImpactRadius(results[0].node.id, 2);
cg.watch();   // auto-sync on file changes
cg.unwatch(); // stop watching
cg.close();

这个东西是非常具有意义的，之所以认为他有意义是因为它解决了：AI Coding 的“探索效率”问题。

过去行业一直在：堆模型、堆上下文、堆 Agent。但 CodeGraph 的思路是：减少无意义探索。这比：

无限增加 Context
无限增加 Tool

都更优雅。

CodeGraph 并不是：“让 AI 更聪明”。而是：让 AI 少走弯路。而很多时候。减少弯路。比增加能力，更重要。

如果把 AI 编程助手比作一位聪明但健忘的同事，那么 CodeGraph 就像是提前为他准备好的项目地图、关系网和说明书。它不替代思考，却把“从哪儿开始思考”这件事变得极其高效；它不追求花哨，却把最珍贵的资源——token、时间和注意力——节省下来。

总结

经过这次实践，我们如果说：大模型是“大脑”，那么：CodeGraph 更像：神经系统。它把原本散落的代码连接起来。

很多工具的价值，是让事情“能做”；而 CodeGraph 的价值，是让事情“做得更像理解”。当 AI 不再一遍遍翻文件、不再把同一条线索反复试错，它就像终于拿到了一张清晰的地图：知道哪里是入口，哪里是边界，哪里一动会牵动全身。对开发者来说，这不仅是省 token，更是省心。你会发现，原本需要一轮又一轮解释的上下文，开始变成一次准确的提问；原本碎片化的代码库，开始被连成一个有血有肉的整体。CodeGraph 做的事情很朴素，却很动人：它替人和模型之间补上了“看懂彼此”的那一步。

如果把 AI 编程助手比作一位聪明但健忘的同事，那么 CodeGraph 就像是提前为他准备好的项目地图、关系网和说明书。它不替代思考，却把“从哪儿开始思考”这件事变得极其高效；它不追求花哨，却把最珍贵的资源——token、时间和注意力——节省下来。对于想写高质量技术文章的人来说，这个标题很合适：使用代码图谱 CodeGraph 降低 Token 消耗。而如果再往深处说，它降低的其实不只是 token，更是开发者在复杂系统面前那种无处落脚的疲惫感

喜欢本文的，可以关注、收藏、点赞、转发、分享到朋友圈哦。

本专题系列文章：

VibeCoding实践第1节：字节Trae实现简历与简历生成器

AI编程实践第2节：Spec规范驱动开发(SDD)1024游戏

AI编程实践第3节：Trae实现Web管理后台界面，效果出奇好

AI编程实践第4节：基于GPT5+Trae实现MCP服务市场

AI编程实践第5节：Trae梳理解构项目业务与代码流程

AI编程实践第6节：秒哒开发微信表情包生成应用

AI编程实践第7节：Git WorkTree机制实现分支并行开发

AI编程实践第8节：使用Understand Anything理解项目关系图谱

AI编程实践第9节：阿里秒悟与谷歌Stitch平台实现需求界面原型设计

AI编程实践第10节：B端C化，使用GPT-Image-2.0设计重构系统UI界面