اگر در پروژههایی با بیش از ۵۰۰ فایل از Claude Code یا Cursor استفاده میکنید، احتمالاً ۷۰٪ بودجه توکن خود را صرف «مالیات اکتشاف» میکنید. البته استفاده از ابزارهایی مثل Claude Code اگر با استراتژی درست همراه نباشد، ممکن است به ایجاد «بدهی بهرهوری» در بلندمدت منجر شود. ابزار CodeGraph که در ۸ ژوئن ۲۰۲۶ منتشر شد، این ناکارآمدی را با کاهش ۶۴ درصدی مصرف توکن و ۸۱ درصدی فراخوانی ابزارها در کدهای مقیاسبزرگ از بین برده است.
bسیاری از عاملها (Agent) — شبیه برنامهنویس تازهکاری که codebase را نمیشناسد و مدام میپرسد «این فایل کجاست؟» — کدها را با حدس زدن و جستوجو پیدا میکنند. هر بار که این مدلها یک فایل نامرتبط را میخوانند، توکنهای گرانقیمت مصرف میشود. این هزینههای پنهان اغلب در صورتحسابهای کلی گم میشوند، مشابه آنچه در بررسی ابزارهای رصد توکنبه-توکن برای محاسبه هزینهی واقعی پروژهها دیدیم. در پوشش پیشین ما از اتوماسیون امتیازدهی لیدها با API مدلهای کلود، دیدیم که سربار استفاده از ابزارها چطور میتواند سرعت پروژه را بگیرد. CodeGraph این مشکل را با انتقال فرآیند اکتشاف از مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب میدهد — به یک پایگاه داده محلی حل میکند.
به نقل از گزارش وبسایت dev.to، این ابزار یک نقشه ساختاریافته از کد شما را در چهار لایه میسازد:
- tree-sitter: تجزیه AST برای درک بیش از ۲۰ زبان برنامهنویسی.
- یک پایگاه داده محلی SQLite با قابلیت FTS5 برای مدیریت نمادها و روابط.
- یک سرور MCP که ۸ ابزار تخصصی مثل
codegraph_exploreرا ارائه میدهد. - مدل اجرای کاملاً محلی برای جلوگیری از نشت دادهها.
طبق مستندات پروژه، در بنچمارکی روی ۱۰,۰۰۰ فایلِ VS Code، عاملی که از CodeGraph استفاده نکرد، ۲۱ بار ابزار فراخوانی کرد و ۱.۷۹ میلیون توکن مصرف نمود. اما با استفاده از CodeGraph، این عدد تنها به ۴ فراخوانی و ۶۴۰ هزار توکن رسید که هزینهها را ۱۸٪ کاهش داد.
این تغییر، پهنای باند ذهنی هوش مصنوعی را از «جستوجو» به «تفکر» منتقل میکند. وقتی یک عامل بخش بزرگی از پنجره متنی خود را صرف خواندن لیست فایلها میکند، توانایی استدلال درباره معماری کد افت میکند. این موضوع با رشد هزینهی استنتاج در چتهای طولانی هوش مصنوعی همسو است، جایی که حجم دادههای ورودی مستقیماً بر کیفیت و هزینه خروجی اثر میگذارد. با سپردن اکتشاف به یک گراف محلی، توسعهدهندگان میتوانند کیفیت استدلال را حتی در مخازن عظیم (monorepos) حفظ کنند.
راهاندازی این ابزار از طریق یک دستور curl و اجرای codegraph init -i حدود ۳ دقیقه زمان میبرد. شما میتوانید مستندات کامل را در مخزن گیتهاب پروژه در مسیر colbymchenry/codegraph بررسی کنید.
گام بعدی شما
- مخزن گیتهاب CodeGraph را برای بررسی معماری لایهای مطالعه کنید.
- با دستور
codegraph init -iابزار را روی یک پروژه بزرگ تست کنید. - میزان کاهش توکنهای مصرفی خود را در پروژههای بالای ۱۰۰۰ فایل رصد کنید.
ama داستان سختافزاری این تحول حتی شگفتانگیزتر است؛ در گزارش بعدی بررسی میکنیم که مدلهای استدلالی کوچک چگونه میتوانند جایگزین مدلهای غولپیکر در این گرافها شوند.
گفتگو