Comment arrêter de payer trop cher pour les tokens 💸

Quand vous demandez à Cursor, Claude Code ou tout autre outil d'IA de comprendre une base de code complexe (surtout sans règles et compétences appropriées), ils se comportent comme des chatons aveugles. Pour trouver d'où une méthode est appelée, ils font un grep, lisent des dizaines de fichiers entiers et remplissent la fenêtre contextuelle de déchets. Vous payez pour les tokens, et l'agent perd du temps à analyser du texte.

Voici l'outil local CodeGraph, qui analyse votre projet via tree-sitter, construit un graphe de connaissances sémantiques (AST, relations, appels) et stocke tout cela dans une base SQLite locale.

Un serveur MCP est fourni à l'agent. Désormais, au lieu d'une recherche textuelle, il effectue des appels ciblés au graphe :
1️⃣ "Qui appelle cette fonction ?"
2️⃣ "Quel est le rayon d'impact de la modification de cette classe ?"
3️⃣ "Construis une trace de l'endpoint à la base de données."

🐍 Pour les pythonistes, un avantage particulier :
CodeGraph comprend nativement le routage FastAPI, Flask et Django. Il analyse urls.py, trouve path('api/', ViewSet.as_view()) et crée une arête réelle du graphe de l'URL à la classe de gestionnaire.
L'outil peut même résoudre la répartition dynamique, sur laquelle grep se casse les dents. Par exemple, les appels cachés sous le capot de Django ORM (le fameux _iterable_class par lequel QuerySet appelle le compilateur SQL).

Métriques de leurs benchmarks (sur Django, VS Code, Tokio) :
▫️ 57 % de tokens en moins (l'agent obtient une réponse en un seul appel, sans lire les fichiers).
▫️ 71 % d'appels d'outils en moins.
▫️ Coûts réduits d'un tiers.

L'utilitaire lit lui-même votre .gitignore, ignore .venv, node_modules et les fichiers de plus de 1 Mo. Pas d'API externe, la base est stockée localement dans le dossier .codegraph.

Si vous utilisez un LLM sur un projet de plus de 20 fichiers, il faut essayer.

Toute la documentation et les manuels de liaison avec des agents spécifiques sont dans le dépôt.

#тулбокс