TL;DR: codebase-memory-mcp indiziert Ihr Repository in einem persistenten Wissensgraphen, sodass Ihr Coding-Agent strukturelle Fragen aus dem Graphen beantwortet, anstatt sich durch Grepping und Lesen dorthin zu arbeiten. Das Projekt misst fünf strukturelle Abfragen mit etwa 3.400 Tokens über den Graphen gegenüber etwa 412.000 durch dateiweise Exploration, eine Reduzierung um 99,2 %. Geschrieben in C, wird als einzelne native Binärdatei ohne Laufzeitumgebung und ohne API-Schlüssel geliefert, deckt mehr als 160 Sprachen ab und läuft vollständig auf Ihrem Rechner. 41.536 Sterne (Stand: 1. September 2026), MIT-lizenziert. Wenn Sie eine Sache aus der Welle der Agenten-Tools von 2026 installieren, dann diese.
Dies ist ein tiefer Einblick in ein Tool aus unserer Zusammenstellung von fünf Open-Source-KI-Agenten-Tools, die es wert sind, im Jahr 2026 installiert zu werden.
Fragen Sie Ihren Agenten, wo eine Funktion aufgerufen wird, und beobachten Sie, was passiert. Er greppt. Er liest drei Dateien. Er greppt erneut mit einem anderen Muster. Er liest vier weitere Dateien. Schließlich antwortet er korrekt, nachdem er Zehntausende von Tokens verbraucht hat, um seinen Kontext mit Quellcode zu füllen, den er im selben Moment, in dem die Sitzung endet, wieder vergessen wird.
Dann stellen Sie eine Anschlussfrage, und er macht das Ganze noch einmal.
Diese Schleife verbraucht bei einer langen Sitzung den Großteil Ihres Nutzungslimits, und sie ist auch der Grund, warum die Antwortqualität im Laufe eines Nachmittags abnimmt: Ein Kontextfenster, das mit Dateiinhalten gefüllt ist, bietet weniger Raum für Schlussfolgerungen. codebase-memory-mcp löst beide Probleme mit demselben Ansatz.
Was es tut
Es parst Ihr Repository in einen persistenten Wissensgraphen aus Funktionen, Klassen, Aufrufkette, HTTP-Routen und dienstübergreifenden Links und beantwortet dann strukturelle Fragen aus diesem Graphen.
Das Parsing erfolgt über die tree-sitter AST-Analyse für mehr als 160 Sprachen, wobei eine hybride LSP-Schicht eine semantische Typauflösung für eine Kerngruppe hinzufügt, die im README-Badge als zehn gezählt wird: Python, die TypeScript- und JavaScript-Familie einschließlich JSX und TSX, PHP, C#, Go, C, C++, Java, Kotlin, Rust und Perl. Der Unterschied ist wichtig. Das AST-Parsing sagt Ihnen, dass eine Methode namens save aufgerufen wird; die Typauflösung sagt Ihnen, zu welcher Klasse sie gehört.
Das Ergebnis wird als 15 MCP-Tools bereitgestellt, die Suche, Aufrufkette-Tracing, Architekturübersicht, Impact-Analyse, Index-Abdeckungsprüfungen, Cypher-Abfragen gegen den Graphen, Erkennung von totem Code, dienstübergreifende HTTP-Verknüpfung und ADR-Management abdecken. Jeder Client, der das Model Context Protocol spricht, kann es verwenden, und das Projekt listet 45 unterstützte Agenten-Oberflächen auf, darunter Claude Code, Codex, Cursor, Windsurf, OpenCode, Gemini CLI, Aider und Kilocode.
Die Zahlen
Zwei unabhängige Datensätze, und beide sind es wert, sorgfältig gelesen zu werden.
Die eigene Messung des Projekts: Fünf strukturelle Abfragen verbrauchten etwa 3.400 Tokens über den Graphen gegenüber etwa 412.000 Tokens durch dateiweise Grep-Exploration. Das ist eine Reduzierung um 99,2 % oder etwa 120-mal weniger Tokens für dieselben Antworten.
Die akademische Version befindet sich in einem Preprint, Codebase-Memory: Tree-Sitter-Based Knowledge Graphs for LLM Code Exploration via MCP, und wurde über 31 realen Repositories evaluiert. Sie berichtet von 83 % Antwortqualität, 10-mal weniger Tokens und 2,1-mal weniger Tool-Aufrufen im Vergleich zur dateiweisen Exploration.
Die Lücke zwischen 120x und 10x ist der ehrliche Teil. Die 120x-Zahl bezieht sich auf fünf strukturelle Abfragen, was der beste Fall für den Graphen ist, da strukturelle Fragen genau das sind, wofür ein Graph gemacht ist. Die 10x-Zahl ist eine breitere Mischung über 31 Repositories, was näher an dem liegt, was Sie im täglichen Gebrauch sehen werden. Beide sind groß. Nehmen Sie die 10x als Ihre Planungszahl und betrachten Sie alles Bessere als Vorteil.
Geschwindigkeit ist die andere Hälfte. Das Indizieren des Linux-Kernels, 28 Millionen Zeilen in 75.000 Dateien, dauert drei Minuten. Ein durchschnittliches Repository wird in Millisekunden indiziert. Strukturelle Abfragen werden in weniger als einer Millisekunde zurückgegeben. Die Pipeline ist RAM-basiert mit LZ4-Komprimierung, In-Memory-SQLite und fusioniertem Aho-Corasick-Pattern-Matching, und der Speicher wird nach der Indizierung freigegeben.
Die Implementierung in C statt in TypeScript oder Python ist der Grund für diese Zahlen, und es ist auch der Grund, warum keine Laufzeitumgebung installiert werden muss.
Installation
macOS und Linux:
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash
Windows, mit den vom Projekt empfohlenen Schritten statt einer blinden Einzeiler-Anweisung:
Invoke-WebRequest -Uri https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.ps1 -OutFile install.ps1
notepad install.ps1 # read it first
Unblock-File .\install.ps1
.\install.ps1
Optionen umfassen --skip-config für die Binärdatei allein ohne Agenten-Setup und --dir=<path> für einen benutzerdefinierten Speicherort. Der Installer erkennt installierte Coding-Agenten automatisch und schreibt deren dokumentierte MCP-Einträge sowie Anweisungen, Fähigkeiten und Lifecycle-Hooks, wo der Client diese unterstützt. Unter macOS entfernt es Quarantäne-Attribute und signiert die Binärdatei ad-hoc, sodass keine manuelle xattr- oder codesign-Arbeit erforderlich ist.
Starten Sie dann Ihren Agenten neu und weisen Sie ihn an, das Projekt zu indizieren.
Zwei Konfigurations-Flags, die am ersten Tag gesetzt werden sollten:
# neue Projekte bei der ersten Verbindung automatisch indizieren
codebase-memory-mcp config set auto_index true
codebase-memory-mcp config set auto_index_limit 50000
# Graph-Visualisierung, in die Binärdatei integriert
codebase-memory-mcp --ui=true --port=9749
Die Benutzeroberfläche unter localhost:9749 stellt den Wissensgraphen in 3D dar. Es ist wirklich nützlich, um Strukturen zu erkennen, von denen Sie nicht wussten, dass sie existieren, und es ist eine gute Plausibilitätsprüfung, dass der Index das abdeckt, was Sie erwartet haben.
Wenn Sie mit vielen Repositories arbeiten, verhindert auto_watch false, dass eine Sitzung ihr Projekt beim Hintergrund-Watcher registriert, und watcher_enabled false schaltet den Abfrage-Thread vollständig aus. Die zweite Option wird einmal beim Start des Daemons gelesen, daher beenden Sie den Daemon nach der Änderung.
Zwei Dinge, die Sie vor dem Ausführen überprüfen sollten
Beides ist vom Projekt dokumentiert, was ein gutes Zeichen ist, und beides verdient dreißig Sekunden Ihrer Aufmerksamkeit.
Microsoft Defender kann eine Release-Binärdatei als Trojan:Script/Wacatac.B!ml kennzeichnen. Das Projekt dokumentiert dies als bekannten Fehlalarm, weist darauf hin, dass typischerweise 61 von etwa 62 Engines ein sauberes Ergebnis liefern, und merkt an, dass dieselbe Erkennungsfamilie die GitHub CLI, llama.cpp, Godot und Microsofts eigene Go-Toolchain betrifft. Jede Veröffentlichung wird vor der Veröffentlichung auf VirusTotal gescannt, und die Release Notes verlinken die Ergebnisse. Das ist eine transparentere Haltung, als die meisten Projekte einnehmen, und das zugrundeliegende Problem ist ein bekanntes heuristisches Problem bei kleinen, unsignierten nativen Binärdateien.
Es liest Ihren Code und schreibt in Ihre Agenten-Konfigurationsdateien. Das ist die Aufgabe, und das Projekt sagt dies deutlich, anstatt es zu verstecken. Die Schutzmaßnahmen sind real: Der vollständige Quellcode ist unter MIT verfügbar, Releases tragen eine OpenSSF Scorecard und SLSA Level 3 Provenienz, und die Verarbeitung erfolgt vollständig lokal. Das Projekt gibt auch an, dass es keine eigenen Netzwerkanfragen stellt, keine Updates im Hintergrund überprüft und keine "Heimtelefonate" führt. Updates werden vom Installationsskript ausgeführt, das neben der Binärdatei platziert ist, und nicht aus dem laufenden Prozess heraus, was eine bewusste Designentscheidung ist, die ausführlich im README erklärt wird.
Die richtige Antwort auf beides ist dieselbe: Lesen Sie das Installationsskript, bevor Sie es an Bash übergeben, und überprüfen Sie den Anspruch auf reine lokale Ausführung selbst, wenn es Ihnen wichtig ist. Eine hohe Sternenzahl ist Popularität, kein Audit.
Warum dies das erste Tool ist, das Sie installieren sollten
Jedes andere Tool in der aktuellen Agentenwelle ändert Ihren Workflow. Personas ändern, wie Sie Aufforderungen geben. Parallele Worktrees ändern, wie Sie die Arbeit organisieren. Der Webzugriff ändert, wonach Sie fragen.
Dieses hier ändert nichts an Ihrer Arbeitsweise und macht jede Sitzung günstiger und besser. Es gibt keine neue Gewohnheit zu lernen. Sie installieren es, indizieren das Projekt, und Ihr Agent verschwendet keinen Kontext mehr für Grep-Schleifen. Bei einem langen Refactoring ist der Unterschied zwischen dem Erreichen Ihres Limits um 14 Uhr und dem Abschluss des Tages nicht unerheblich.
Der Qualitätseffekt ist die unterschätzte Hälfte. Ein Agent, der 400.000 Tokens mit dem Lesen von Dateien verbringt, hat so viel weniger Raum, um tatsächlich über Ihr Problem nachzudenken, und seine Erinnerung an das, was er früh in der Sitzung gelesen hat, verschlechtert sich. Das Beantworten aus einem Graphen hält den Kontext frei. Dieselbe Dynamik gilt für das, was Ihre Tools in diesen Kontext zurückgeben, was das Thema von Agenten-Tool-Antwort-Kontextfenstern ist, und es ist derselbe Fehler, der überladene API-Antworten in Agenten-Workflows teuer macht.
Die Tools, die Sie tatsächlich verwenden werden
Fünfzehn MCP-Tools klingen nach viel Lernaufwand. In der Praxis lernen Sie keines davon, weil der Agent auswählt. Was es wert ist zu wissen, ist, welche Fragen jetzt eine günstige Antwort haben, damit Sie anfangen, sie zu stellen.
- Impact-Analyse ist die wertvollste und am wenigsten genutzte. Bevor Sie eine Funktionssignatur ändern, fragen Sie, was kaputtgeht. Der Graph verfolgt jeden Aufrufer im gesamten Repository in weniger als einer Millisekunde, während die Grep-Version dynamisches Dispatching übersieht und bei allem Indirekten aufgibt. Dies verwandelt ein „Ich denke, das ist sicher“ in eine Liste.
- Aufrufkette-Tracing beantwortet, wie die Ausführung tatsächlich einen Codeabschnitt erreicht. Nützlich bei unbekannten Repositories und viel besser als das Lesen von fünf Dateien nach oben in der Hoffnung, den Einstiegspunkt zu finden.
- Architekturübersicht bietet eine strukturelle Karte, ohne dass der Agent den gesamten Baum liest. Dies ist das, was das Onboarding in eine unbekannte Codebasis anders anfühlt, und es passt gut zu einer schreibgeschützten Explorations-Persona.
- Erkennung von totem Code findet, was nichts aufruft. Führen Sie es vor einem Aufräum-Sprint aus, anstatt darüber zu streiten.
- Dienstübergreifende HTTP-Verknüpfung verfolgt einen Aufruf in einem Dienst zum Handler in einem anderen. In einer Microservice-Codebasis ist dies der Unterschied zwischen einem Agenten, der ein Repository versteht, und einem, der das System versteht. Hier zeigt sich auch genau die unten beschriebene Vertragslücke.
- Cypher-Abfragen sind der Notausgang. Wenn Sie etwas Spezifisches wünschen, das die anderen Tools nicht abdecken, können Sie den Graphen direkt abfragen.
Die praktische Verschiebung liegt in der Art, wie Sie Aufforderungen geben. Fragen, die Sie zuvor vermieden haben, weil sie 50.000 Tokens und zwei Minuten kosteten, sind jetzt fast kostenlos, also stellen Sie sie. „Was ruft dies auf?“ vor jedem Refactoring. „Wie sieht der Anforderungspfad für diesen Endpunkt aus?“ vor dem Debuggen. Das Tool ändert die Ökonomie der Neugier, was wichtiger ist als jede einzelne Funktion.
Was der Graph weiß und was nicht
Hier ist die Grenze, und es ist eine scharfe, die es wert ist, verstanden zu werden, bevor Sie dem Tool zu sehr vertrauen.
Der Graph wird aus Ihrem Code erstellt. Er weiß, was Ihr Code ist. Unter den 15 Tools befindet sich die dienstübergreifende HTTP-Verknüpfung, die einen Aufruf in einem Dienst zum Handler in einem anderen verfolgt, und das ist eine wirklich nützliche Sache für einen Agenten zu wissen.
Was es Ihnen nicht sagen kann, ist, was der Vertrag aussagt. Es weiß, dass die Route /v1/invoices/{id} existiert und welche Funktion sie bedient. Es weiß nicht, dass der Endpunkt einen 409-Fehler mit einer anderen Fehlerhülle zurückgibt, wenn ein Idempotenzschlüssel wiederverwendet wird, dass das status-Feld genau fünf gültige Werte hat, dass der Cursor undurchsichtig und kein Offset ist, oder dass ein Feld veraltet ist und im nächsten Quartal verschwindet. Nichts davon lässt sich aus dem Quellcode des Handlers ableiten, da das meiste davon eine Vereinbarung und keine Implementierung ist.
Der Agent, nun ausgestattet mit perfektem strukturellem Gedächtnis, errät den Vertrag also immer noch. Er schreibt einen Client gegen eine abgeleitete Form und testet gegen ein von ihm erfundenes Mock, und alles ist grün bis zum Staging.
Deshalb passen Apidog und ein Tool wie dieses zusammen, anstatt sich zu überschneiden:
- Der Graph beantwortet „wo“. Welcher Handler, welche Aufrufkette, was kaputtgeht, wenn diese Signatur geändert wird.
- Die Spezifikation beantwortet „was“. Echte Schemas, echte Statuscodes, echte Fehlerhüllen, vom Agenten gelesen statt rekonstruiert. Die Begründung finden Sie unter Verwendung Ihrer OpenAPI-Spezifikation als Agenten-Tools.
- Mocks werden aus der Spezifikation generiert, einschließlich Fehlerzweigen, die der Agent nie fälschen würde.
- Vertragstests schlagen in CI fehl, wenn Implementierung und Vereinbarung auseinanderlaufen, was der Fehlermodus ist, der unter Was passiert, wenn API-Änderungen KI-Agenten brechen beschrieben wird.
Es gibt eine angenehme Symmetrie. codebase-memory-mcp existiert, weil das Lesen von Quellcode zur Beantwortung struktureller Fragen teuer und unzuverlässig ist. Dasselbe gilt für das Lesen von Quellcode, um einen Vertrag abzuleiten, und die Antwort ist dieselbe: Indizieren Sie die Sache einmal, in einer für die Frage geeigneten Form. Laden Sie Apidog herunter, wenn Ihre Agenten API-Clients gegen Formen schreiben, die niemand aufgeschrieben hat. Verwandt: Entwerfen von API-Tool-Schemas für Agenten und Brauchen Sie im Zeitalter der KI-Agenten noch ein API-Tool.
Das Gedächtnis des Codes ist nicht das Gedächtnis der Arbeit
Die zweite Grenze ist organisatorischer Natur.
Der Index befindet sich in einem Cache-Verzeichnis auf einer Maschine, unter einem Konto. Er wird über Ihre lokalen Claude Code-, Codex- und OpenCode-Sitzungen hinweg durch einen Koordinierungsdaemon geteilt, was eine nette Ingenieursleistung ist, und er endet an der Grenze dieser Maschine.
Wichtiger ist, dass der Graph das Gedächtnis der Codebasis ist, nicht das Gedächtnis der Arbeit. Er kann Ihnen sagen, dass der Wiederholungs-Helfer den Zahlungs-Client aufruft. Er kann Ihnen nicht sagen, warum der Backoff im Juli geändert wurde, wer das entschieden hat, was die Alternative war oder ob es jemand überprüft hat. Diese Historie existierte in einer Terminal-Sitzung, die nicht mehr vorhanden ist.
Teams empfinden dies als eine seltsame Lücke: Der Agent hat eine bessere Erinnerung an den Code als jeder Mensch im Team, aber keinerlei Erinnerung an die Entscheidungen, die ihn hervorgebracht haben.
Sharkly deckt die andere Hälfte ab, indem es die Aufgabe zum dauerhaften Datensatz macht, anstatt die Aufforderung:
- Arbeit lebt als Aufgaben, und die Ausgabe des Agenten landet als Kommentare, auf die Sie antworten. Fortschritt und Tool-Aufrufe werden an die Aufgabe zurückgespielt. Die Argumentation überlebt die Sitzung.
- Ein Agent ist eine gespeicherte Konfiguration. Anweisungen, Laufzeit, Fähigkeiten, Repositories, Umgebung. Das Setup, bei dem Ihr Agent den Index, die Spezifikation und die richtigen Berechtigungen hat, wird wiederverwendet, anstatt pro Maschine neu aufgebaut zu werden.
- Die Ausführung ist Bring Your Own. Sie verbinden einen Computer, der Ihr Laptop, ein Server oder ein Container sein kann, und Sharkly verwendet die darauf bereits installierte Laufzeitumgebung. Das ist hier direkt relevant, denn der Index ist maschinenbezogen: Zu wissen, welcher Computer das indizierte Repository enthält, ist der Unterschied zwischen einem warmen Graphen und einem dreiminütigen Kaltstart.
- Repository-Arbeit läuft in einem separaten Worktree pro Aufgabe, sodass parallele Aufgaben für dasselbe Repository nicht kollidieren.
- Eine Aufgabe im Backlog startet keinen Lauf, sodass die Arbeit vorbereitet wird, bevor etwas ausgeführt wird.
- Struktur, die ein Team bereits versteht: Bereiche, Projekte, Sprints, Aufgaben, mit Jira-Synchronisation.
Code-Gedächtnis plus Arbeitsgedächtnis ist die Kombination. Ein Tool gibt Ihrem Agenten die Erinnerung an das Repository. Das andere gibt Ihrem Team die Erinnerung daran, was die Agenten darin getan haben.
FAQ
Funktioniert es mit Cursor, Codex und OpenCode oder nur mit Claude Code? Es ist ein MCP-Server, daher funktioniert jeder MCP-Client. Das Projekt listet 45 unterstützte Agenten-Oberflächen auf, und der Installer erkennt automatisch, was Sie haben. Wenn Sie Agenten-Clients für API-Arbeiten abwägen, lesen Sie unseren Beitrag zu API-Clients in Cursor und Copilot.
Verlässt mein Code meinen Rechner? Nein. Die Verarbeitung erfolgt vollständig lokal, und das Projekt gibt an, dass es keine eigenen Netzwerkanfragen stellt und keine Updates im Hintergrund überprüft. Der Quellcode ist unter MIT lizenziert, falls Sie dies überprüfen möchten, anstatt es als gegeben hinzunehmen.
Ist die 99%ige Token-Reduzierung realistisch für mein Repository? Die Zahl von 99,2% bezieht sich auf fünf strukturelle Abfragen, was der stärkste Fall für den Graphen ist. Die von Experten überprüfte Zahl über 31 Repositories liegt bei 10-mal weniger Tokens und 2,1-mal weniger Tool-Aufrufen. Planen Sie mit dem 10-fachen. Stark strukturelle Fragen beinhaltende Arbeit wird dies übertreffen.
Wie groß darf ein Repository sein, das es verarbeiten kann? Der angegebene Höchstfall ist der Linux-Kernel mit 28 Millionen Zeilen und 75.000 Dateien in drei Minuten. Das Standardlimit für die automatische Indizierung ist bei 50.000 Dateien konfigurierbar. Gewöhnliche Anwendungs-Repositories werden in Millisekunden indiziert.
Warum markiert Defender es? Ein bekannter False Positive des maschinellen Lernens bei kleinen, unsignierten nativen Binärdateien. Das Projekt dokumentiert dies, weist darauf hin, dass 61 von etwa 62 Engines ein sauberes Ergebnis liefern, und verlinkt die VirusTotal-Ergebnisse pro Release. Dieselbe Erkennungsfamilie betrifft die GitHub CLI und Microsofts eigene Go-Toolchain.
Ersetzt dies das Lesen des Codes? Für strukturelle Fragen, ja, und das ist das meiste, was Agenten fragen. Für Verhalten, Randfälle und Absicht, nein. Und für das, was eine API zurückgibt, benötigen Sie eine Spezifikation statt beidem, was das Argument in Brauchen Sie im Zeitalter der KI-Agenten noch ein API-Tool ist.
Zusammenfassung
Dies ist das am wenigsten auffällige Tool in der Agentenwelle von 2026 und dasjenige mit dem besten Ertrag. Keine Workflow-Änderung, keine neue Gewohnheit, eine einzige native Binärdatei und eine gemessene Reduzierung der Größenordnung bei den Tokens, die Ihr Agent für die Beantwortung von Fragen aufwendet, die er nicht durch Grepping finden sollte. Es zahlt sich auch am meisten aus, wenn mehrere Agenten gleichzeitig laufen, wie es bei Orca der Fall ist. Installieren Sie es, indizieren Sie Ihr Projekt, setzen Sie auto_index und öffnen Sie den Graphen-Viewer einmal, um zu sehen, was es aufgebaut hat.
Seien Sie sich dann der beiden Grenzen bewusst. Der Graph weiß, wo Ihr Code ist, nicht, was Ihre API verspricht, und diese Lücke schließt Apidog mit einer Spezifikation, einem Mock und einer Testsuite. Und es erinnert sich an das Repository, nicht an die Arbeit, was Sharkly schließt, indem es die Aufgabe zum Datensatz anstelle der Aufforderung macht.
Perfekte Erinnerung an den Code ist eine starke Grundlage. Es ist nicht dasselbe wie zu wissen, was wahr ist oder was entschieden wurde.