技能介绍

要解决的问题

当 Agent 面对一个大型代码库时，最常用的手段是读文件、跑 grep。这种方式有两个硬伤：一是慢，每次查询都要重新扫一遍源码；二是浅，文本匹配能告诉你某个字符串出现在哪，却回答不了"这个函数被谁调用""改这个接口会影响哪些模块"这类结构性问题。架构、符号定义、路由注册、调用链这些信息分散在不同文件里，人工梳理成本高，Agent 也很难靠拼凑上下文还原出来。

它的工作原理

这个技能把仓库索引成一个本地 MCP 代码知识图谱，让 Agent 通过 MCP 协议直接查询图结构，而不是逐文件阅读。

解析层：基于 tree-sitter 做 AST 分析，覆盖 158 种语言；对 Python、TypeScript 等语言额外叠加 Hybrid LSP 语义类型解析，把语法层面的符号提升为带类型信息的实体。
建模层：从 AST 中提取模块、符号、路由、依赖关系与调用路径，构成一张可遍历的图，因此支持架构、符号、路由、影响范围、调用链五类查询。
检索层：提供 semantic_query，对整张图做向量检索。向量由内置的 Nomic nomic-embed-code 模型生成（40K token 上下文、768d int8 量化），直接编译进静态二进制，不需要 API Key，也不依赖 Ollama 或 Docker。
性能表现：按上游文档的说法，中等规模仓库索引耗时在毫秒级，Linux 内核（28M LOC、75K 文件）大约 3 分钟完成索引，结构查询的响应在微秒级。

适用边界与注意点

前提是你有一个 MCP 兼容的编码 Agent，并且能访问本地仓库路径。图谱是随项目生成的，不是跨仓库的全局服务。
解析深度因语言而异：tree-sitter 覆盖广，但 Hybrid LSP 的语义类型解析目前只覆盖 Python、TypeScript 等少数语言，其余语言拿到的主要是语法级信息。
semantic_query 是本地向量检索，语义能力取决于内置 embedding 模型，和云端大模型驱动的语义理解不是一回事，别期待它替代代码评审。
索引是一次性构建产物，代码大幅变更后需要重新索引，否则图与实际源码会漂移。