codebase-memory-mcp 是一个开源工具，作用是给 AI 编程助手配备「代码库长期记忆」：它先把整个项目的源代码解析、索引成一张记录代码结构和调用关系的地图（知识图谱），AI 助手回答代码问题时直接查这张图，而不是临时翻文件。项目托管在 GitHub 的 DeusData/codebase-memory-mcp 仓库，目前约 4 万 star，采用 MIT 许可证，可免费商用；适合所有用 AI 写代码的开发者，尤其是仓库大、模块多、希望 AI 改代码改得更准的团队。
为什么 AI 编程助手需要「代码库记忆」
AI 编程助手（如 Claude Code、Cursor、GitHub Copilot）回答「这个函数被谁调用」「改这里会影响哪些模块」这类问题时，传统做法是在代码库里逐个文件搜索，再把相关文件内容塞进模型上下文。文件一多，消耗和等待时间都急剧上升。项目方给出的对比是：完成 5 个结构性查询，逐文件搜索约消耗 41.2 万 token（token 是模型处理文本的基本单位，可粗略理解为字或词），而通过 codebase-memory-mcp 只需约 3400 token，降幅 99.2%。
MCP（Model Context Protocol，模型上下文协议）是让 AI 助手连接外部工具的标准接口。这个项目就是一个 MCP 服务器——按该协议为 AI 助手提供代码查询能力的程序，身份是「查图工具」，而不是另一个大模型。
它把代码变成一张可查询的关系图
项目用 tree-sitter（一种快速把源码拆成语法树的解析器）解析代码，支持 158 种编程语言；再通过内置的「混合 LSP」层——一套类似 IDE 智能提示背后的类型推断逻辑——对 Python、TypeScript、Go、Rust、Java 等 13 种主流语言做语义类型解析，逼近 IDE「跳转到定义」的精确度。
解析结果保存为持久化知识图谱：函数、类、调用链、HTTP 路由、跨服务调用关系都是图中的节点和边。数据全部存在本地 SQLite 数据库中，代码不会离开你的机器，项目也不收集任何遥测数据。
性能与成本数据
官方在 Apple M3 Pro 上的基准测试：
- Linux 内核源码（2800 万行、7.5 万个文件）全量索引约 3 分钟，产出 481 万节点、772 万条边；
- 普通仓库平均毫秒级完成索引；
- 结构查询（如「谁调用了这个函数」）1 毫秒内返回；
- 死代码检测约 150 毫秒完成全图扫描。
团队发布的论文（arXiv:2603.27277）在 31 个真实仓库上评估：回答质量 83%，token 消耗约为逐文件探索的 1/10，工具调用次数约为其 1/2.1。
安装与接入
macOS 和 Linux 一条 curl 命令即可安装，Windows 提供 PowerShell 脚本；另有 npm、pip、Homebrew、Scoop、AUR 等安装渠道。安装脚本会自动识别本机已装的 AI 编程客户端（支持 43 种，含 Claude Code、Codex、Gemini CLI、Cursor、VS Code 等），写好人家的 MCP 配置；重启客户端后说一句「Index this project」即开始索引。项目内置 3D 图谱可视化界面，浏览器打开 localhost:9749 即可查看代码关系图。
适合谁用
- 在大型仓库上用 AI 助手改代码的开发者：花几十分钟建一次索引，后续每次提问都秒回；
- 微服务团队：跨服务的 HTTP 调用关系在图中可直接追踪，改接口前能看清影响面；
- 同时使用多个 AI 客户端的开发者：一份索引，所有客户端共享；
- 对代码隐私敏感的团队：全部处理在本机完成，无需把代码上传给任何服务。
结论
如果 AI 编程助手在你的项目上经常答不对代码问题，或为找一段代码消耗大量 token，codebase-memory-mcp 是目前解决这个问题最直接的开源方案之一：一次索引、本地存储、多客户端复用，性能数据透明可验证。它不内置大模型，只负责结构解析与查询，AI 客户端仍是「会思考」的部分，两者分工明确——这也意味着它几乎可以无缝接入任何支持 MCP 的编程助手。