代码图谱
AI Skill Hub 强烈推荐：代码图谱 是一款优质的MCP工具。已获得 2.3k 颗 GitHub Star，AI 综合评分 8.2 分，在同类工具中表现稳健。如果你正在寻找可靠的MCP工具解决方案，这是一个值得深入了解的选择。
📚 深度解析
通过安装 代码图谱，你的 AI 助手将获得额外的工具调用能力，可以用自然语言直接操控该工具的功能，无需学习复杂的命令行语法。MCP 工具的核心价值在于"一次配置，永久增强"——配置完成后，每次与 AI 对话时都可以无缝调用这些工具。
在技术实现上，MCP 工具通过标准的 JSON-RPC 协议与 AI 客户端通信，工具的功能以"工具列表"的形式暴露给 AI 模型，AI 可以按需调用。代码图谱 提供了结构化的工具调用接口，使 AI 模型能够精确地理解和使用每个功能点，显著降低 AI 在工具使用上的错误率。
与传统的 API 集成相比，MCP 工具的优势在于无需编写代码——用户只需在配置文件中添加几行 JSON，即可让 AI 获得全新能力。AI Skill Hub 将 代码图谱 评为 AI 评分 8.2 分，属于同类工具中的优质选择。
📋 工具概览
代码图谱 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
📖 中文文档
代码图谱 是一款遵循 MCP（Model Context Protocol）标准协议的 AI 工具扩展。通过 MCP 协议，它可以让 Claude、Cursor 等主流 AI 客户端直接访问和操作外部工具、数据源和服务，实现 AI 能力的无缝扩展。无论是文件操作、数据库查询还是 API 调用，都可以通过自然语言在 AI 对话中直接触发，极大提升生产效率。
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
# 方式一：通过 Claude Code CLI 一键安装
claude skill install https://github.com/vitali87/code-graph-rag
# 方式二：手动配置 claude_desktop_config.json
{
"mcpServers": {
"----": {
"command": "npx",
"args": ["-y", "code-graph-rag"]
}
}
}
# 配置文件位置
# macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
# Windows: %APPDATA%/Claude/claude_desktop_config.json
- 确认已安装 Node.js（v18 或以上版本）
- 打开 Claude Desktop 或 Claude Code 的 MCP 配置文件
- 按「交给 Agent 安装 → Claude Desktop」标签中的 JSON 配置填入 mcpServers 字段
- 保存配置文件并重启 Claude 客户端
- 重启后，在对话中即可使用本工具
# 安装后在 Claude 对话中直接使用 # 示例： 用户: 请帮我用 代码图谱 执行以下任务... Claude: [自动调用 代码图谱 MCP 工具处理请求] # 查看可用工具列表 # 在 Claude 中输入："列出所有可用的 MCP 工具"
// claude_desktop_config.json 配置示例
{
"mcpServers": {
"____": {
"command": "npx",
"args": ["-y", "code-graph-rag"],
"env": {
// "API_KEY": "your-api-key-here"
}
}
}
}
// 保存后重启 Claude Desktop 生效
简介
<p> <a href="https://trendshift.io/repositories/99619" target="_blank" rel="noopener noreferrer"><img src="https://trendshift.io/api/badge/repositories/99619" alt="vitali87/code-graph-rag | Trendshift" width="250" height="55"/></a> </p>
<p> <a href="https://github.com/vitali87/code-graph-rag/actions/workflows/ci.yml"> <img src="https://img.shields.io/github/actions/workflow/status/vitali87/code-graph-rag/ci.yml?branch=main" alt="CI" /> </a> <a href="https://codecov.io/gh/vitali87/code-graph-rag"> <img src="https://codecov.io/gh/vitali87/code-graph-rag/graph/badge.svg" alt="Codecov" /> </a> <a href="https://sonarcloud.io/summary/overall?id=vitali87_code-graph-rag"> <img src="https://sonarcloud.io/api/project_badges/measure?project=vitali87_code-graph-rag&metric=alert_status" alt="Quality Gate Status" /> </a> <a href="https://code-graph-rag.com"> <img src="https://img.shields.io/badge/Enterprise-Support%20%26%20Services-6366f1" alt="Enterprise Support" /> </a> <a href="https://pypi.org/project/code-graph-rag/"> <img src="https://img.shields.io/pypi/v/code-graph-rag" alt="PyPI Version" /> </a> <a href="https://pepy.tech/projects/code-graph-rag"> <img src="https://static.pepy.tech/personalized-badge/code-graph-rag?period=total&units=INTERNATIONAL_SYSTEM&left_color=BLACK&right_color=GREEN&left_text=downloads" alt="PyPI Downloads" /> </a> <a href="https://skillsllm.com/security-check/DHsMGRb1Ysys"> <img src="https://skillsllm.com/security-check/badge.svg?owner=vitali87&repo=code-graph-rag" alt="SkillsLLM Security Check" /> </a> <a href="https://scorecard.dev/viewer/?uri=github.com/vitali87/code-graph-rag"> <img src="https://api.scorecard.dev/projects/github.com/vitali87/code-graph-rag/badge" alt="OpenSSF Scorecard" /> </a> <a href="https://www.bestpractices.dev/projects/13757"> <img src="https://www.bestpractices.dev/projects/13757/badge" alt="OpenSSF Best Practices" /> </a> </p> </div>
Installation
cgr is published to PyPI. Install it system-wide with the treesitter-full (all languages) and semantic (vector search) extras:
```bash
Quick Start
```bash
Start the packaged Memgraph + Qdrant stack (no compose file needed)
cgr daemon up
Code-Graph-RAG 是一个强大的代码知识图谱构建与检索增强生成（RAG）系统。它通过解析代码库的结构，将其转化为知识图谱，从而为开发者提供深度的代码理解能力，支持企业级的代码分析与智能交互需求。
本项目具备强大的多语言解析能力，能够深度支持 C、C++ 等语言的函数、类、结构体及模块检测。通过结合代码结构与语义信息，系统可以实现精准���代码索引、关系查询及基于上下文的智能代码分析。
运行本项目需要 Python 3.12+ 环境，并需安装 Docker & Docker Compose 以运行 Memgraph 数据库。此外，系统依赖 cmake 进行编译，使用 ripgrep 进行文本搜索。若使用云端模型需准备 Google Gemini API key，若使用本地模型则需安装 Ollama 并拉取相关模型（如 llama3.2）。
在安装依赖工具时，macOS 用户可以通过 brew 安装 cmake 和 ripgrep；Linux 用户（Ubuntu/Debian）建议使用 apt-get，CentOS/RHEL 用户则使用 yum 或 dnf。请确保在安装过程中正确配置环境，以便顺利构建 pymgclient 等核心依赖。
系统提供五种核心工作模式：1. Parse & Ingest（构建代码知识图谱）；2. Interactive Query（通过自然语言询问代码逻辑）；3. Export & Analyze（导出图数据进行程序化分析）；4. AI Optimization（获取 AI 驱动的代码优化建议）；5. Editing（执行精准的代码替换）。您可以直接通过命令行进行索引或针对特定逻辑进行提问。
用户可以通过编辑 .env 文件进行灵活配置。系统支持 provider-explicit 配置模式，允许开发者混合使用不同的模型提供商。例如，您可以配置 ORCHESTRATOR 使用 Ollama 本地模型进行任务编排，而 CYPHER 使用 OpenAI 模型来生成 Cypher 查询语句，实现性能与成本的最佳平衡。
Code-Graph-RAG 可作为 MCP (Model Context Protocol) Server 运行，实现与 Claude Code 及其他 MCP 客户端的无缝集成。系统内置了 Agentic Workflow（智能体工作流），确保 Agent 在执行文件系统修改等操作时具备高度的上下文感知能力与执行精度。
高质量的MCP工具，支持多语言代码分析
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 跨境业务、多语言内容运营团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- Agent 任务先做 dry-run 验证工具调用链，再开启自主执行
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
- 显存不足直接 OOM — 优先降低 context 或换更小的量化模型
- Python 依赖冲突：建议用 venv / uv 隔离环境
- Docker：code-graph-rag 提供官方镜像，docker compose up 一键启动
- CLI：直接 npm install -g / pip install，命令行调用
- 本地部署：CPU 8GB 起，GPU 推荐 16GB+ 显存
- 云端托管：可放在 Vercel / Railway / Fly.io 等 PaaS 平台
⚡ 核心功能
- 通过标准 MCP 协议与 Claude、Cursor 等主流 AI 客户端深度集成
- 提供结构化工具调用接口，显著降低 AI 集成复杂度
- 支持 Claude Desktop 和 Claude Code 无缝接入，开箱即用
- 可与其他 MCP 工具组合叠加，构建完整 AI 工作站
- 轻量无侵入设计，不影响现有系统架构
- 需要让 Claude / Cursor 操作本地工具的 AI 工程师
- 构建多智能体协作系统的 Agent 开发者
- 构建企业知识库 / RAG 检索应用的团队
- 跨境业务、多语言内容运营团队
- 配置 MCP 服务器时建议使用 stdio 传输 + JSON-RPC，避免暴露公网
- 生产部署优先使用 Docker Compose 隔离依赖，并挂载 volume 持久化数据
- 本地部署优先选 GGUF 量化模型，节省显存并保持响应速度
- 分块大小建议 256-512 tokens，向量库优选 pgvector 或 Qdrant
- API key 直接提交到 git 仓库（请用 .env 并加入 .gitignore）
- MCP 配置路径拼错或权限不足，重启 Claude Desktop 才生效
- 容器内无法访问宿主机 localhost — 使用 host.docker.internal
- embedding 模型与查询模型不一致导致检索失效
👥 适合人群
🎯 使用场景
- 在 Claude Desktop 对话中直接调用本地工具，实现 AI 与系统的深度联动
- 通过自然语言驱动复杂的多步骤自动化任务，代替繁琐手动操作
- 将多个 MCP 工具组合使用，构建个人专属 AI 工作站
⚖️ 优点与不足
- +MIT 协议，可免费商用
- +标准化 MCP 协议，生态互联性强
- +与 Claude 官方生态无缝对接
- +即插即用，配置简单快捷
- −依赖 Claude 客户端，非 Claude 用户无法使用
- −MCP 协议仍在持续演进，接口可能变更
- −需要一定的配置步骤
AI Skill Hub 为第三方内容聚合平台，本页面信息基于公开数据整理，不对工具功能和质量作任何法律背书。
建议在沙箱或测试环境中充分验证后，再部署至生产环境，并做好必要的安全评估。
✅ MIT 协议 — 最宽松的开源协议之一，可自由商用、修改、分发，仅需保留版权声明。
🔗 相关工具推荐
❓ 常见问题 FAQ
总体来看，代码图谱 是一款质量优秀的MCP工具，在同类工具中具备一定竞争力。AI Skill Hub 将持续追踪其更新动态，建议收藏备用，结合自身场景选择合适时机引入使用。
| 原始名称 | code-graph-rag |
| 原始描述 | 开源MCP工具：The ultimate RAG for your monorepo. Query, understand, and edit multi-language c。⭐2.3k · Python |
| Topics | code-analysiscode-understandingpython |
| GitHub | https://github.com/vitali87/code-graph-rag |
| License | MIT |
| 语言 | Python |
收录时间：2026-07-02 · 更新时间：2026-07-03 · License：MIT · AI Skill Hub 不对第三方内容的准确性作法律背书。
🤖 交给 Agent 安装 · 代码图谱
选择 Agent 类型，复制安装指令后粘贴到对应客户端