kapillamba4/code-memory

Эта страница переведена автоматически. Технические детали смотрите в оригинале. Открыть оригинал

49 stars 11 forks Качество 79 Тренд 17MIT

MCP-сервер с локальным векторным поиском кодовой базы. Умная индексация, семантический поиск, история Git — все в автономном режиме.

Обзор

Детерминированный, высокоточный сервер, используемый в качестве сервера Model Context Protocol (MCP). - ваш код никогда не покидает вашу машину - работает полностью локально с преобразованиями предложений - просто память кода uvx, и вы готовы - точный поиск кода вместо сброса целых файлов Поиск правильного контекста из большой кодовой базы - это , , и . Сбрасывание файлов в токены приводит к потере токенов, и LLM теряют отслеживание фактической задачи по мере заполнения контекста. Вместо ручной охоты с помощью grep/find или сброса исходного текста файла, кодовая память выполняет семантический поиск по локально индексированной кодовой базе. Вдохновленный клод-контекстом, но разработанный с нуля для масштабного локального поиска. (структурный парсинг с извлечением символов): Python, JavaScript/TypeScript, Java, Go, Rust, C/C++, Ruby, Kotlin (индексирование всего файла): C#, Swift, Scala, Lua, Shell, Config (yaml/toml/json), Web (html/css), SQL, Markdown Файлы, соответствующие шаблонам .gitignore, автоматически пропускаются.

Обзор (машинный перевод)

Детерминированный высокоточный уровень интеллекта ** кода**, представленный в качестве сервера протокола контекста модели (MCP).

Нулевая телеметрия - ваш код никогда не покидает вашу машину Не требуется ключ API — работает полностью локально с помощью преобразования предложений 1 минута настройки ** — просто uvx code-memory и вы готовы ** Сохранение токенов на 50% — точный поиск кода вместо сброса целых файлов

Пожалуйста, помогите звездной кодовой памяти, если вам нравится этот проект!

Зачем нужна память?

Поиск правильного контекста из большой кодовой базы является дорогой, неточным и ограниченным контекстными окнами. Сбрасывание файлов в токены приводит к потере токенов, и LLM теряют отслеживание фактической задачи по мере заполнения контекста.

Вместо ручной охоты с grep/find или сброса исходного текста файла code-memory выполняет семантический поиск по локально индексируемой кодовой базе. Вдохновленный клод-контекстом, но разработанный с нуля для масштабного локального поиска.

Поддерживаемые языки

** Полная поддержка AST** (структурный парсинг с извлечением символов): Python, JavaScript/TypeScript, Java, Go, Rust, C/C++, Ruby, Kotlin

Эта страница переведена автоматически. Технические детали смотрите в оригинале.

README

Показан фрагмент оригинального README. Открыть оригинал.

code-memory

A deterministic, high-precision code intelligence layer exposed as a Model Context Protocol (MCP) server.

Zero telemetry — your code never leaves your machine
No API key required — runs entirely locally with sentence-transformers
1 min setup — just uvx code-memory and you’re ready
Token saving by 50% — precise code retrieval instead of dumping entire files

Please help star code-memory if you like this project!

Why code-memory?

Finding the right context from a large codebase is expensive, inaccurate, and limited by context windows. Dumping files into prompts wastes tokens, and LLMs lose track of the actual task as context fills up.

Instead of manually hunting with grep/find or dumping raw file text, code-memory runs semantic searches against a locally indexed codebase. Inspired by claude-context, but designed from the ground up for large-scale local search.

Supported Languages

Full AST Support (structural parsing with symbol extraction): Python, JavaScript/TypeScript, Java, Go, Rust, C/C++, Ruby, Kotlin

Fallback Support (whole-file indexing): C#, Swift, Scala, Lua, Shell, Config (yaml/toml/json), Web (html/css), SQL, Markdown

Files matching .gitignore patterns are automatically skipped.

Architecture: Progressive Disclosure

Instead of a single monolithic search, code-memory routes queries through three purpose-built tools:

Question Type	Tool	Data Source
“Where / What / How?” — find definitions, references, structure, semantic search	`search_code`	BM25 + Dense Vector (SQLite vec)
“Architecture / Patterns” — understand architecture, explain workflows	`search_docs`	Semantic / Fuzzy
“Who / Why?” — debug regressions, understand intent	`search_history`	Git + BM25 + Dense Vector (SQLite vec)
“Setup / Prepare” — index parsing & embedding generation	`index_codebase`	AST Parser + `sentence-transformers`

This forces the LLM to pick the right retrieval strategy before any data is fetched.

Installation

From PyPI (Recommended)

# Install with pip
pip install code-memory

# Or with uvx (for MCP hosts)
uvx code-memory

From Source

# Clone the repo
git clone https://github.com/kapillamba4/code-memory.git
cd code-memory

# Install dependencies
uv sync

# Run the MCP server (stdio transport)
uv run mcp run code_memory/server.py

Pre-built Binaries (Standalone)

Открыть полный README на GitHub

Установка

uvx code-memory

Новичок в MCP? Начните с руководства на mcpskill.org →

Конфигурация

{
  "mcpServers": {
    "code-memory": {
      "command": "uvx",
      "args": ["code-memory"]
    }
  }
}