你是否曾为在百万行代码的 Monorepo 中定位一个函数调用链而反复 grep、跳转、翻文档？是否希望 AI 不仅能“看懂”单个文件，还能理解模块依赖、跨语言调用、API 演化路径和业务逻辑脉络？Code-Graph-RAG 正是为此而生——它不是简单的代码问答机器人，而是一个将 AST 解析、知识图谱与 RAG 技术深度融合的智能代码中枢，让 LLM 真正具备“工程师级”的上下文感知力。
核心功能
- 多语言统一建模：基于 Tree-sitter 高精度解析 Python、TypeScript、Go、Rust、Java 等 20+ 语言，自动构建跨语言的语义实体（函数、类、变量、导入关系）及其结构化连接。
- 知识图谱驱动的 RAG：不依赖原始文本切块，而是将代码逻辑转化为 Memgraph 图数据库中的节点与边（如 “A 调用 B”、“C 实现接口 D”、“E 在版本 v2.3 引入”），检索时直接查询图关系，结果精准、可追溯、无幻觉。
- 深度语义搜索与理解：支持自然语言提问，例如：“找出所有调用过支付网关 SDK 的微服务，并检查它们是否做了幂等性处理”，系统自动遍历调用链、匹配业务模式、关联配置文件与测试用例。
- AI 辅助代码编辑闭环：结合 MCP（Model Communication Protocol）协议，支持 LLM 在理解完整上下文后生成安全、合规的修改建议，并可一键预览 diff、验证影响范围，真正实现“理解 → 分析 → 修改”一体化。
- Monorepo 友好架构：原生适配 Nx、TurboRepo、Bazel 等主流单体仓库工具链，自动识别 workspace 结构、包边界与依赖拓扑，避免传统 RAG 在大型项目中因上下文碎片化导致的理解失真。
- 本地化 + 可扩展：默认使用本地运行的 Memgraph 图数据库与轻量级嵌入模型，数据不出内网；同时开放 MCP Server 接口，可无缝对接 Claude Code、Ollama、Llama.cpp 等任意 LLM 后端。
适合哪些人用
如果你是以下角色，Code-Graph-RAG 将显著提升你的开发效率与系统掌控力：
• 大型前端/全栈团队的技术负责人：快速掌握跨 50+ 包的微前端通信机制或状态管理流向；
• 基础设施与平台工程（Platform Engineering）工程师：自动化绘制服务依赖图、识别技术债热点、生成架构决策记录（ADR）；
• 开源项目维护者：为贡献者提供“问代码”能力，降低新成员上手门槛；
• 代码审计与安全研究员：精准定位硬编码密钥、未校验输入、过期加密算法等风险模式在调用链中的传播路径。
快速上手
只需三步即可启动本地智能代码大脑：
1. 安装依赖：pip install code-graph-rag（需 Python 3.9+）；
2. 构建图谱：cgr index --repo-path ./my-monorepo --language python,typescript（首次运行约需 2–15 分钟，取决于代码规模）；
3. 启动交互式终端：cgr chat，或通过 Web UI 访问 http://localhost:8000 提问。所有数据默认存储于本地 .cgr/ 目录，无需注册、无需云端账号。
项目信息
The ultimate RAG for your monorepo. Query, understand, and edit multi-language codebases with the power of AI and knowledge graphs
2.8k
今日 +59 stars today
Stars
483
Forks
Python
MIT
编程语言：Python｜Star 数：2799｜开源协议：MIT｜GitHub 项目地址
它不把代码当文本，而当活的系统；不靠“猜”，而靠“连”——这才是 AI 时代开发者真正需要的代码理解范式。
