Cómo dejar de pagar de más por los tokens 💸

Cuando le pides a Cursor, Claude Code o cualquier otra herramienta de IA que analice una base de código compleja (especialmente sin reglas y habilidades adecuadas), se comportan como gatitos ciegos. Para encontrar desde dónde se llama a un método, hacen grep, leen decenas de archivos completos y llenan la ventana de contexto con basura. Pagas por tokens y el agente pierde tiempo analizando texto.

Apareció una herramienta local llamada CodeGraph que analiza tu proyecto mediante tree-sitter, construye un grafo de conocimiento semántico (AST, relaciones, llamadas) y lo guarda todo en una base de datos SQLite local.

Al agente se le proporciona un servidor MCP. Ahora, en lugar de búsqueda textual, hace llamadas precisas al grafo:
1️⃣ "¿Quién llama a esta función?"
2️⃣ "¿Cuál es el radio de impacto del cambio de esta clase?"
3️⃣ "Traza la ruta desde el endpoint hasta la base de datos."

🐍 Para los pythonistas hay algo especial:
CodeGraph entiende de serie el enrutamiento de FastAPI, Flask y Django. Analiza urls.py, encuentra path('api/', ViewSet.as_view()) y crea un borde real del grafo desde la URL hasta la clase controladora.
La herramienta puede resolver incluso el despacho dinámico, donde grep se rompe los dientes. Por ejemplo, llamadas ocultas bajo el capó de Django ORM (ese _iterable_class a través del cual QuerySet activa el compilador SQL).

Métricas de sus benchmarks (basados en Django, VS Code, Tokio):
▫️ Se gastan un 57% menos de tokens (el agente obtiene la respuesta en una sola llamada, sin leer archivos).
▫️ Las llamadas a herramientas se reducen en un 71%.
▫️ Los costos caen un tercio.

La utilidad lee tu .gitignore, ignora .venv, node_modules y archivos de más de 1 MB. Sin APIs externas, la base de datos está localmente en la carpeta .codegraph.

Si estás usando LLM en un proyecto de más de 20 archivos, deberías probarlo.

Toda la documentación y manuales para vincularlo a agentes específicos están en el repositorio.

#toolbox