Como parar de pagar a mais por tokens 💸

Quando você pede ao Cursor, Claude Code ou qualquer outra ferramenta de IA para entender uma base de código complexa (especialmente sem regras e habilidades adequadas), eles agem como gatinhos cegos. Para descobrir de onde um método é chamado, eles fazem grep, leem dezenas de arquivos inteiros e entopem a janela de contexto com lixo. Você paga por tokens, e o agente perde tempo analisando texto.

Apareceu uma ferramenta local chamada CodeGraph, que analisa seu projeto via tree-sitter, constrói um grafo de conhecimento semântico (AST, conexões, chamadas) e armazena tudo em um banco de dados SQLite local.

O agente recebe um servidor MCP. Agora, em vez de busca textual, ele faz chamadas pontuais ao grafo:
1️⃣ "Quem chama esta função?"
2️⃣ "Qual é o raio de impacto da mudança desta classe?"
3️⃣ "Construa um trace do endpoint até o banco de dados."

🐍 Para pythonistas, uma vantagem especial:
O CodeGraph entende nativamente o roteamento do FastAPI, Flask e Django. Ele analisa urls.py, encontra path('api/', ViewSet.as_view()) e cria uma aresta real no grafo da URL para a classe manipuladora.
A ferramenta consegue resolver até mesmo dispatch dinâmico, onde o grep quebra os dentes. Por exemplo, chamadas ocultas sob o capô do Django ORM (aquele _iterable_class através do qual QuerySet aciona o compilador SQL).

Métricas dos benchmarks deles (com base em Django, VS Code, Tokio):
▫️ Gasta-se 57% menos tokens (o agente obtém a resposta em uma única chamada, em vez de ler arquivos).
▫️ Chamadas de ferramentas são 71% menores.
▫️ Custos caem em um terço.

A utilidade lê seu .gitignore, ignora .venv, node_modules e arquivos com mais de 1 MB. Nenhuma API externa, o banco fica localmente na pasta .codegraph.

Se você está usando LLM em um projeto com mais de 20 arquivos — vale a pena testar.

Toda a documentação e manuais de integração com agentes específicos estão no repositório.

#caixadeferramentas