我写了一个超轻量MCP，让编码Agent真正理解你的代码——Token消耗减少70%，1分钟接入

开篇

每个编码智能体的demo看起来都很魔幻......直到你把它对准真实的代码库。然后它就会：

• 上下文窗口瞬间爆满
• 对过时的代码产生幻觉
• 慢到你还不如直接grep

我在用大型Rust/Python/TS代码库构建AI工作流时撞上了这堵墙，所以我做了一个自己真正想要的工具：基于AST的超轻量嵌入式MCP。

它叫cocoindex-code，已经帮我节省了约70%的Token消耗，等待时间也大幅缩短。

如果你在用Claude、Codex、Cursor或其他支持MCP的编码智能体，这篇文章就是为你写的。

核心思路：AST + 增量索引

常见的"代码RAG"方案，往往像一个基建工程：搭向量DB、写ETL、处理Schema漂移、调优分块策略......然后祈祷它们能保持同步。

cocoindex-code采取完全相反的方法：

• 嵌入式MCP：在本地作为MCP服务器运行，无需额外维护数据库。
• 基于AST的索引：通过Tree-sitter解析代码结构，按函数、类、代码块等有意义的单元进行切分，而不是随机的200行窗口。
• 增量更新：基于Rust开发的CocoIndex引擎，只对变更的文件重新索引。
• 实用的多语言支持：Python、JS/TS、Rust、Go、Java、C/C++、C#、SQL、Shell等。

你向智能体提问，它只拉取真正需要的代码，不会撑爆上下文窗口。

开箱即用的功能

只需添加这个MCP，你就能获得：

• 语义代码搜索工具 ：search(query, limit, offset, refresh_index) 作为MCP工具提供。
• 立即节省Token：只有相关的代码块进入Prompt，不再传整个文件。
• 极快速度：增量索引 + Rust引擎，更新几乎是瞬时完成。
• 本地嵌入模型默认可用 ：使用sentence-transformers/all-MiniLM-L6-v2，无需API Key。
• 可选升级：支持切换到任意LiteLLM兼容的嵌入模型（OpenAI、Gemini、Mistral、Voyage、Ollama等）。

从"普通编码智能体"到"真正理解代码库的智能体"，只需约1分钟。

1分钟接入（Claude / Codex / OpenCode）

首先安装uv：

curl -LsSf https://astral.sh/uv/install.sh | sh

Claude

claude mcp add cocoindex-code \
  -- uvx --prerelease=explicit --with \
  "cocoindex>=1.0.0a16" \
  cocoindex-code@latest

Codex

codex mcp add cocoindex-code \
  -- uvx --prerelease=explicit --with \
  "cocoindex>=1.0.0a16" \
  cocoindex-code@latest

OpenCode

opencode mcp add
# MCP server name: cocoindex-code
# type: local
# command:
# uvx --prerelease=explicit --with cocoindex>=1.0.0a16 cocoindex-code@latest

就这么简单。把智能体指向你的仓库，代码库的语义搜索就作为MCP工具可用了。

search MCP工具详解

接入后，MCP会暴露一个search工具：

search(
  query: str,        # 自然语言或代码片段
  limit: int = 10,   # 1-100
  offset: int = 0,   # 分页
  refresh_index: bool = True  # 查询前重新索引
)

每个结果包含：文件路径、语言、代码内容、起止行号、相似度分数。

最实用的场景：

1. "X的实现在哪？"------当仓库里有五个同名函数时。
2. "把所有涉及JWT刷新的认证逻辑都找出来"
3. "找到和这个堆栈跟踪匹配的代码"

索引是增量更新的，所以重构后可以立即对新代码使用智能体，无需重新跑离线任务。

支持的语言

C, C++, C#, CSS/SCSS, Go, HTML, Java, JavaScript/TypeScript/TSX, JSON/YAML/TOML, Kotlin, Markdown/MDX, Pascal, PHP, Python, R, Ruby, Rust, Scala, Solidity, SQL, Swift, XML

__pycache__、node_modules、target、dist等噪音目录会自动排除。根路径从.cocoindex_code/、.git/或当前目录自动发现，通常不需要设置任何环境变量。

嵌入模型：免费开始，按需升级

默认使用本地SentenceTransformers模型：

• sbert/sentence-transformers/all-MiniLM-L6-v2
• 无需API Key，无费用，完全本地运行

需要更强的语义理解时，可通过COCOINDEX_CODE_EMBEDDING_MODEL切换到任意LiteLLM兼容模型：Ollama、OpenAI、Gemini、Mistral、Voyage、Cohere、AWS Bedrock、Nebius等。

先用免费的本地模型起步，需要时再升级。

大型/企业级代码库

底层使用CocoIndex------一个基于Rust的索引引擎，专为大规模增量数据工作流设计。

团队用法：

• 团队成员共享索引，避免每台机器重复索引
• 分支去重，减少无谓的重复工作
• 可作为CocoIndex平台上更大规模数据/索引基础设施的一部分运行

试试看

如果觉得有用，希望你能：

1. 给仓库加个Star ：cocoindex-code和cocoindex
2. 在你的主力项目上试试（不是玩具项目，是真实的那个）
3. 在GitHub上提反馈或想法

我特别想知道：

• 现有"代码RAG"工具失败的仓库场景
• 你希望更好支持的语言或框架
• 你想让编码智能体10倍上下文感知能力的工作流

试过的朋友，欢迎在评论区告诉我你用在了什么技术栈上，我想在后续文章中展示真实案例。