CodeGraph：让AI编程工具大幅降本的开源知识图谱AI拉呱：洞察AI技术前沿如果你一直在用 Claude Code、Cursor 或 Codex 做正经开发，你大概已经注意到了一个规律。AI 在理解孤立代码方面相当出色——给它一个函数，它能解释、重构或调试得不错。但如果你让它跨整个代码库追踪一个功能——“一个登录请求是如何从 Controller 流转到数据库的？”——体验就急转直下。AI 开始探索。它读取文件——几十个，有时上百个。搜索符号、追踪导入、打开关联模块。每次读取消耗 token，每个 token 都花你的钱。一个工作日下来，账单会悄悄而持续地累积。令人沮丧的不是成本本身，而是绝大多数 token 并没有花在推理上——而是花在了探索上。AI 并不是在深入思考你的问题，它只是在寻找相关代码的位置。CodeGraph 从架构层面解决了这个问题。它不打造更聪明的模型，而是给模型一张预构建的代码库地图。结果呢？在七个基准测试的开源项目上，平均 token 使用量减少了 57%，成本降低了 35%。该项目已获得 32,100 个 GitHub Star，采用 MIT 许可。代码的知识图谱CodeGraph 的思路优雅而直接：解析项目中的每个源文件，提取符号之间的关系，并将其存储为可即时查询的结构化图谱。实现上采用了 tree-sitter——一个最初由 Git