企业官网建设流程全解析

CodeGraph 是什么：本地优先的"代码地图"

CodeGraph 是一个本地优先（local-first）的代码上下文引擎，也是一个 MCP（Model Context Protocol）服务器。它预先把你整个代码库解析成一张语义知识图谱：函数、类、方法、组件、路由等是"节点"，调用、导入、继承、引用等关系是"边"。之后 AI 编程助手要理解项目时，不用再每次 grep / Read 扫描文件，而是直接查询这张图谱。

它有三个鲜明的设计取向：100% 本地运行（代码不出网、不需要 API key、不依赖外部服务）、单二进制零配置（无需数据库、无需安装服务）、增量式索引（文件保存后自动同步图谱）。这也是它在 2026 年突然火起来的原因——AI 编程助手越常用，"给 AI 一张提前画好的代码地图"这个思路就越被验证。

常见误区：以为 CodeGraph 是又一个"代码搜索引擎"或"类图生成器"。它的核心服务对象是AI 编程助手——重点不是给人看，而是把代码结构变成 AI 可以高效查询的结构化数据。给人看的能力（图谱可视化）只是副产品。

它解决什么问题：AI 编程助手的"盲人摸象"

先理解痛点，才能理解为什么需要它。AI 编程助手（Claude Code、Cursor 等）要修改或解释一个功能时，通常的做法是：用 grep / glob / Read 一点一点"摸"代码——搜关键词、读文件、追函数、看调用关系，反复试探才能拼出全貌。据社区分享，AI 回答一个流程问题，平均要读 9 个文件。

这个过程的代价是三重：Token 消耗大（每读一次文件都要计费）、响应慢（反复的工具调用有延迟）、容易"看走眼"（靠搜索拼出来的理解可能漏掉调用链上的关键分支）。

CodeGraph 的思路很直接：与其让 AI 每次现扫，不如把项目关系提前建成一张图，让 AI 直接查图作答。一次索引，长期复用；查询是结构化的，理解是准确的。

核心概念：图、节点、边、知识图谱

用"图"来建模代码，是因为代码实体之间的关系天然就是一张网，而不是一排排文件。

节点（Node）：代码里的"东西"

CodeGraph 从代码里提取约21 种节点：函数、方法、类、接口、属性、变量、常量、枚举、类型别名、命名空间、路由、组件……凡是 AI 需要理解的"命名实体"，都会成为图谱里的一个节点，并带上签名、返回类型、复杂度、导出状态等元数据。

边（Edge）：代码里的"关系"

节点之间靠边连接，约12 种边：调用（calls）、导入（imports）、继承（extends）、实现（implements）、引用（references）、返回（returns）、实例化（instantiates）、重写（overrides）……有了这些边，AI 才能回答"这个函数被谁调用了"“这个类继承了谁”"改动这里会影响哪些地方"这类问题。

为什么比"关键词搜索"强

搜索只能告诉你"哪里出现了这个符号"；图谱能告诉你"这个符号在结构上和谁相连、处于什么位置"。后者才是理解代码关系、评估改动影响所需的信息。这就像查字典（搜索）和看地图（图谱）的区别。

从源码到图谱：完整工作链路

这是全文理解的核心。CodeGraph 把"读懂项目"这件事，拆成了下面这条可复现、可增量更新的流水线：