RAG

构建 Codegraph CLI 的经验教训

厌倦了用 grep 翻遍代码库，于是我造了一个更懂代码的 AI

admin

• 9 min read
构建 Codegraph CLI 的经验教训
AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

六个月前，我加入了一个有 20 万行遗留 Python 代码的项目。没有文档。原来的开发者已经离职。我的第一个任务？"修复认证相关的 bug。"

我打开终端，输入：

grep -r "auth" .

47 个匹配。30 个文件。

我花了两天时间翻阅文件，试图理解认证是怎么工作的。哪个函数调用了哪个？存在哪些依赖关系？如果我改了某处，什么会崩溃？

到了第三天，我想：为什么不能直接问代码库呢？

于是我造了 CodeGraph CLI。

1、传统代码搜索的问题

作为开发者，我们有三种主要方式来探索不熟悉的代码：

1. grep/字符串搜索 — 快但笨

  • 不理解语义
  • 返回所有包含 "auth" 的地方，不管是否相关
  • 你需要手动把点连起来*

2. IDE 导航（跳转到定义） — 更好，但有局限

  • 只展示直接关系
  • 不解释代码为什么存在
  • 不支持自然语言查询

3. 读文档（如果有的话） — 经常过时

  • 永远讲不全
  • 不展示实际依赖

我们真正需要的是： 一种能用自然语言提问，并得到基于实际代码结构的智能回答的方式。

2、解决方案：图 + 向量 + LLM

我构建 CodeGraph CLI 的核心洞察是：

代码不只是文本。它是一个关系网络。

函数调用其他函数。类继承自其他类。模块导入其他模块。这是图结构，不是扁平文档。

但代码也有含义。validate_token() 和 check_auth() 可能做着类似的事情，即使它们没有共享任何字符串。这需要通过 embedding 实现语义理解。

把两者结合，魔法就发生了：

  1. 解析代码为抽象语法树（tree-sitter）
  2. 构建依赖图（SQLite 存储节点和边）
  3. 将符号嵌入向量空间（LanceDB 用于相似性搜索）
  4. 用 RAG 查询： 向量搜索找到语义相似的代码，图遍历找到依赖关系
  5. LLM 用自然语言解释结果

这就是图增强 RAG，效果出奇地好。

3、底层工作原理

3.1 架构概览

你的代码库 n↓ tree-sitter 解析器（容错 AST） ↓ SQLite（依赖图：节点 + 边） ↓ LanceDB（所有符号的向量 embedding） ↓ 图增强 RAG 引擎 ↓ LLM（Ollama、OpenAI、Anthropic 等） ↓ 自然语言响应

3.2 技术栈

解析：tree-sitter

  • 容错（能在有错误的代码上工作）
  • 增量更新
  • 多语言支持（Python、JavaScript、TypeScript、Go、Rust、Java）

图存储：SQLite

  • 久经考验，可嵌入
  • ACID 事务
  • 完美适合本地优先工具
  • Schema 存储函数、类、导入、依赖

向量存储：LanceDB

  • 列式格式（快速范围扫描）
  • 零服务器架构（向量界的 SQLite）
  • 基于磁盘（无内存限制）
  • 原生 Python 集成

Embedding：5 种模型选项

  • hash — 零依赖 BLAKE2b（即时，基于关键词）
  • minilm — 80MB，通用
  • bge-base — 440MB，更高精度
  • jina-code — 550MB，代码感知
  • qodo-1.5b — 6.2GB，最高质量

RAG 引擎：自定义实现

  • 向量搜索找到语义相似的符号
  • BFS 图遍历扩展到依赖项
  • 上下文窗口优化
  • 相关性评分

多智能体：CrewAI

  • 4 个专用智能体：Coordinator、File System Engineer、Senior Developer、Code Analyst
  • 复杂任务最多 25 轮迭代
  • 跨轮次记忆管理
  • 工具委派

4、你能用它做什么

4.1 语义代码搜索

不用这样：

grep -r "authentication" .
# 返回 47 个字符串匹配

而是这样：

cg analyze search "how does authentication work"

返回：

  • validate_token() — 核心认证函数
  • login_handler() — 调用 validate_token
  • TokenStore — 验证器使用的依赖
  • auth_middleware — 包装 login_handler
  • 它们如何连接的完整解释

3.2 影响分析

在修改代码之前：

cg analyze impact process_uploaded_image --hops 3

展示给你：

  • 每个依赖 process_uploaded_image 的函数
  • 多跳依赖（依赖它的东西又依赖什么）
  • ASCII 图可视化
  • LLM 对潜在风险的解释

这在我第一周就帮我避免了两次生产事故。

4.3 自然语言对话

cg chat start

然后问这样的问题：

  • "Explain the FFT processing pipeline"
  • "What functions use NumPy?"
  • "Where is the config file loaded?"
  • "Generate a README for this module"

AI 会读取你的实际代码，理解结构，然后解释给你听。

4.4 可视化代码浏览器

cg explorer start

打开一个网页界面，包含：

  • 文件树导航
  • 符号查看器（所有函数/类）
  • 交互式依赖图
  • 悬停 AI 解释
  • 导出为 DOCX 并自动生成文档

非常适合新团队成员入职。

4.5 多智能体系统

cg chat start --crew

启动 4 个专用 AI 智能体：

  • Coordinator — 路由任务，管理工作流
  • File System Engineer — 读取、写入、修补文件
  • Senior Developer — 代码分析和生成
  • Code Intelligence Analyst — 搜索和总结

它们协同处理复杂任务，比如"把这个模块重构为使用 async/await"。

5、设计决策与权衡

5.1 为什么用 SQLite 而不是 Neo4j？

原因：

  • 零服务器设置（只是一个文件）
  • 久经考验的可靠性
  • 100% 本地优先（无云依赖）
  • ACID 事务
  • 对代码图来说足够好（大多数代码库 < 1M 节点）

权衡： 图查询能力不如 Neo4j，但对用户来说简单 10 倍。

5.2 为什么用 LanceDB 而不是 FAISS 或 Chroma？

原因：

  • 基于磁盘（无内存限制）
  • 列式格式（高效范围查询）
  • 零服务器架构
  • 积极维护
  • 原生 Python 集成

权衡： 生态系统比 FAISS 小，但对本地优先工具来说 UX 更好。

5.3 为什么用 tree-sitter 而不是 AST 库？

原因：

  • 容错（能在不完整/有错误的代码上工作）
  • 增量解析（快速更新）
  • 多语言（一个解析器支持 40+ 语言）
  • 生产验证（GitHub、Atom、Neovim 都在用）

权衡： 设置比 Python 的 ast 模块复杂，但强大得多。

5.4 为什么本地优先？

原因：

  • 隐私（代码不会离开你的机器）
  • 离线工作
  • 无 API 费用
  • 即时响应（无网络延迟）
  • 数据自主权

权衡： 用户需要自己管理 LLM 设置，但 Ollama 让这变得简单。

6、构建过程中的经验教训

6.1 图 + 向量 > 只有向量

纯向量搜索（像大多数 RAG 系统）会遗漏结构关系。

一个函数可能在语义上与你的查询相似，但因为没有任何东西调用它而不相关。图遍历解决了这个问题。

关键洞察： 用向量搜索来找到相关节点，然后用图遍历来扩展上下文。

6.2 Tree-sitter 太棒了

我最初用了 Python 的 ast 模块。任何语法错误都会让它崩溃。

Tree-sitter 即使有错误也能继续解析，这对真实世界的代码至关重要。它还免费给了我多语言支持。

关键洞察： 选择能处理真实代码混乱的工具，而不只是完美示例。

6.3 本地优先是特性，不是限制

我最初想"没人会想自己运行 LLM"。我错了。

开发者喜欢本地优先工具：

  • 无供应商锁定
  • 无 API 费用
  • 默认隐私
  • 离线工作

Ollama 让本地 LLM 变得触手可及。结合 CodeGraph 的零服务器架构，用户可以在本地运行一切。

关键洞察： "本地优先"是开发者工具的竞争优势。

6.4 多智能体系统需要约束

我的第一个多智能体实现会永远运行下去。智能体会争论、重复自己、或者跑题。

有效的做法：

  • 每个智能体的迭代限制（最多 15-25 轮）
  • 清晰的角色定义
  • 显式的任务委派
  • 记忆管理（不要让上下文窗口爆炸）

CrewAI 处理了大部分，但调优至关重要。

6.5 CLI 优先，然后才是其他

我从 CLI 开始。这是对的。

它迫使我：

  • 保持核心 API 简洁
  • 优雅地处理错误
  • 写好帮助文本
  • 思考 UX

Web UI 和 VSCode 扩展将在此基础上构建。

关键洞察： 从最简单的可用界面开始。复杂度以后再加。

7、发布后的数据

CodeGraph CLI 两天前发布。以下是发生的事情：

PyPI：

  • 500+ 次下载
  • 支持 macOS、Linux、Windows

社区反馈：

  • "This is what GitHub Copilot should have been"
  • "Finally, RAG that understands code structure"
  • "The impact analysis feature saved us from a production bug"

最常见的问题：

  1. "Can it handle monorepos?"（正在做）
  2. "Will you add [language X]?"（可以，tree-sitter 支持）
  3. "Can I use it with GPT-4?"（可以，支持 6 个 LLM 提供商）

8、下一步计划

短期（未来 4 周）

  • VSCode Extension — 编辑器内的 AI 辅助
  • GitHub Action — PR 上自动生成影响分析
  • 多仓库支持 — 索引整个组织
  • 更多语言 — 优先 TypeScript、Go、Rust

长期（3-6 个月）

  • 团队功能 — 共享知识图
  • CI/CD 集成 — 防止破坏性变更
  • DependencyGuard — 影响分析即服务
  • SaaS 选项 — 给想要托管版本的团队

亲自试试

# 安装
pip install codegraph-cli

# 配置（选择你的 LLM）
cg config setup
# 索引你的项目
cg project index ./your-project
# 开始对话
cg chat start

原文链接: Building a Graph-Augmented RAG System for Code Intelligence: Lessons from CodeGraph CLI

汇智网翻译整理，转载请标明出处