Codebase-Memory: Tree-Sitter KG for LLM Code Exploration via MCP — arXiv:2603.27277
论文信息¶
- 作者: Martin Vogel, Falk Meyer-Eschenbach, Severin Kohler, Elias Grünewald, Felix Balzer
- 类别: cs.SE (Software Engineering)
- 发表: 2026-03-28
摘要¶
大型语言模型（LLM）代码 Agent 通常通过重复读取文件和 grep 搜索来探索代码库，每次查询消耗数千 tokens 且缺乏结构化理解。
本文提出 Codebase-Memory，一个通过模型上下文协议（MCP）构建持久化 Tree-Sitter 知识图谱的开源系统。系统通过多阶段 pipeline 解析 66 种编程语言，包含并行 worker pool、调用图遍历、影响分析和社区发现。
在 31 个真实代码库上的评估表明：Codebase-Memory 以 83% 的答案质量（对比文件探索 Agent 的 92%）实现了： - 10 倍更少的 tokens 消耗 - 2.1 倍更少的工具调用次数
对于图原生查询（如 hub 检测和调用者排名），系统在 19/31 种语言上匹配或超越探索式 Agent。
核心贡献¶
- Tree-Sitter 知识图谱：基于 MCP 协议的持久化知识表示，支持 66 种语言
- 多阶段解析 pipeline：并行 worker pools、调用图遍历、影响分析、社区发现
- 结构化代码理解：超越文本搜索的语义级代码关系建模
- 高效检索：图原生查询显著减少 token 消耗和工具调用次数
为什么重要¶
传统代码探索方式的瓶颈： - 每次查询消耗数千 tokens，成本高昂 - 缺乏代码结构理解，无法回答"哪个文件最重要"等结构化问题 - 工具调用次数多，延迟高
Codebase-Memory 通过持久化知识图谱实现： - 将代码结构（调用关系、依赖关系、社区结构）显式存储 - 支持复杂的结构化查询（hub 节点、影响范围、社区划分） - 大幅降低 token 消耗和工具调用延迟
与端侧/移动端的相关性¶
移动端代码 Agent 面临更严格的资源约束： - 知识图谱可增量更新，无需每次重新解析代码库 - 减少与云端 LLM 的交互次数和 token 消耗 - 支持离线代码分析（知识图谱可本地存储）
参考文献¶
（参考文献待从原文补充）