userfrm/rpg-encoder

rpg-кодер

Дайте вашему агенту ИИ мозг для вашей кодовой базы.

Кодирующие агенты ИИ тратят большую часть своих инструментов на звонки, спотыкаясь в вашей кодовой базе grep, cat, find, и файл читает. rpg-encoder исправляет это. Он создает семантический график вашего кода с помощью Tree-sitter - не только * то, что вызывает что *, но * то, что делает каждая функция - и дает вашему помощнику ИИ полное понимание репо через MCP в одном вызове инструмента.

Быстрый старт

Одна команда. Работает с Claude Code, Cursor, Opencode, Windsurf или любым MCP-совместимым агентом. Нет Rust toolchain, нет клонирования, нет здания — npx загружает готовый двоичный код для вашей платформы.

Откройте любое РЕПО и скажите своему агенту:

«Постройте и поднимите RPG для этого репо»

Ваш агент обрабатывает все: индексирует объекты (секунды), считывает каждую функцию и добавляет функции уровня намерения (несколько минут), организует их в семантическую иерархию и фиксирует .rpg/graph.json для вашей команды.

Для РЕПО с ~ 100+ объектами lifting_status попросит вашего агента делегировать подъемную петлю субагенту или более дешевой модели — извлечение функции соответствует шаблону, а не новым рассуждениям.

rpg-encoder

Give your AI agent a brain for your codebase.

AI coding agents waste most of their tool calls fumbling through your codebase with grep, cat, find, and file reads. rpg-encoder fixes that. It builds a semantic graph of your code with Tree-sitter — not just what calls what, but what every function does — and gives your AI assistant whole-repo understanding via MCP in a single tool call.

---

Quick Start

claude mcp add rpg -- npx -y -p rpg-encoder rpg-mcp-server

One command. Works with Claude Code, Cursor, opencode, Windsurf, or any MCP-compatible agent. No Rust toolchain, no cloning, no building — npx downloads a pre-built binary for your platform.

Then open any repo and tell your agent:

“Build and lift the RPG for this repo”

Your agent handles everything: indexes entities (seconds), reads each function and adds intent-level features (a few minutes), organizes them into a semantic hierarchy, and commits .rpg/graph.json for your team.

For repos with ~100+ entities, lifting_status will tell your agent to delegate the lifting loop to a sub-agent or a cheaper model — feature extraction is pattern-matching, not novel reasoning. If your runtime has no sub-agent mechanism, run rpg-encoder lift --provider anthropic|openai from the terminal with an API key — the CLI drives an external LLM directly with no agent involvement. After the CLI finishes, call reload_rpg in your session to load the updated graph. The CLI lifts entities with no features; re-lifting stale entities (features present but outdated after code changes) is handled by the in-session MCP flow, not the CLI.

Once lifted, try: