我构建了一个 35 工具的 MCP 服务器，将我的 AI Token 使用量降低了 95%

Source: Dev.to

上下文密集型 AI 代码探索 – 问题

每当我请 Claude 帮助我处理代码库时，都会出现同样的情况：

• 模型逐个读取文件，为了了解项目结构消耗了 50 K+ 令牌。
• 我在完成任何实际工作之前就已经触碰了 上下文限制 之前。

我的方案 – MCP 仓库上下文服务器

我构建了一个 MCP（模型上下文协议）服务器，它会 一次性 分析代码库，提取 AI 代理所需的全部信息（函数行为、调用图、数据库查询、HTTP 调用，……），并在 2‑4 K 标记 内提供 精准答案，而不是 50 K+。

工作原理

当你让 AI 代理面对一个代码库时，它 没有记忆。每个会话都从头开始，运行 grep，逐个读取文件，并构建心理模型——过程缓慢、成本高且不完整。

对于一个中等规模的 Go 项目（约 100 个文件），典型的探索会消耗：

这不是 AI 的问题，而是上下文交付的问题。

Source: …

架构

┌──────────────┐     ┌──────────────────┐     ┌─────────────────┐
│  AI Agent    │────▶│  MCP Server      │────▶│  Storage Layer  │
│  (Claude)    │◀────│  (JSON‑RPC/stdio)│◀────│  JSON + SQLite │
└──────────────┘     └──────────────────┘     └─────────────────┘
                            │
                    ┌───────┼───────┐
                    ▼       ▼       ▼
              AST Parser  Vector  Call Graph
              (Go)        Search  Builder

使其工作的三层

1. AST 解析 – 使用 Go 的 go/ast 包提取：

   • 每个函数签名
   • 步骤化行为
   • 数据库查询、HTTP 调用、错误处理模式、副作用
   • 包装错误、deferred 调用、goroutine 启动（真实的语法树遍历，而非正则）

2. 语义向量搜索 – 为每个函数/类型生成 384 维 TF‑IDF 嵌入，存储在 SQLite 中。

   • 类似 “find authentication code” 的查询会匹配语义相似的函数。
   • 不调用外部 API；嵌入在本地计算。

3. 调用图提取 – 构建完整的调用图（直接调用、goroutine、deferred）。

   • 为 get_callers、visualize_call_graph（Mermaid 图）等工具提供支持。

示例工具（共35个）

令牌使用比较

结果： 每次查询的令牌使用量降低 10‑25 倍 → 不再出现上下文限制，快速、响应式的 AI 辅助。

实现细节

• 依赖项： 仅 go-git（Git 操作）和 go-sqlite3（向量存储）。
  所有其他功能（AST 解析、HTTP 处理、JSON）均使用 Go 标准库 → 二进制体积小，供应链简洁，部署极其轻量。

• 向量化： 采用 本地 TF‑IDF 替代 OpenAI 的嵌入 API。

  • 对代码搜索（函数名和模式具有辨识度）质量足够。
  • 离线 工作，零延迟，无需 API Key，无速率限制，无费用。

• 结果分页： 搜索返回紧凑的引用，每条记录包含一个 detail_ref，AI 可调用该引用以展开详情。

  • AI 在约 2 K 令牌内获得约 20 条匹配列表，然后仅为实际需要的 2‑3 条获取完整细节。

• 并发： 对不同仓库的分析并行进行；同一仓库的操作串行化。

  • 避免全局互斥锁，允许跨服务的并行工作。

• 语言支持： 深度 AST 分析目前 仅限 Go。其他语言使用通用提取器（基本结构，无行为细节）。

  • 下一步：为 Python 与 TypeScript 添加 Tree‑Sitter 解析器。

• 传输方式： 目前仅 STDIO。MCP 规范还支持 HTTP/SSE，届时服务器可作为长驻守护进程供多个 AI 会话共享。

  • 目前每个 Claude Code 会话都会启动自己的服务器进程。

路线图 – 扩展到组织级智能

关键特性: “当有人访问 /login 时会发生什么？”
服务器应追踪完整的流程：

• 请求 → Service A LoginHandler → Service B /auth/validate → Kafka user.verified → Service C VerificationHandler。

为实现上述目标，我们需要：

1. HTTP 客户端调用检测 – 提取出站 HTTP 调用，推断目标服务/端点。
2. 消息总线（Kafka）流向追踪 – 识别生产者/消费者，将主题映射到处理器。
3. 跨服务调用图 – 将每个仓库的图合并为全局视图。
4. 传输升级 – 实现 HTTP/SSE，以支持持久守护进程。
5. 多语言 AST – 为 Python 与 TypeScript 添加 Tree‑Sitter 解析器，以扩大覆盖范围。

TL;DR

• 问题: AI 代理在理解代码库时会消耗数万 token。
• 解决方案: 对仓库进行一次预处理，存储丰富的基于 AST 的元数据，并通过轻量级 MCP 服务器提供访问。
• 结果: 每次查询仅消耗 2‑4 K token，支持离线操作，快速增量更新，并为组织范围的代码智能提供清晰路径。

MCP Repo Context – Recent Enhancements

Overview

MCP 服务器正在演进，旨在为开发者提供更丰富的跨仓库洞察，而无需实际运行代码。以下是新功能、工具和使用说明的简明 markdown 摘要。

1. End‑to‑End Request Tracing

• 静态分析 现在能够解析目标 URL、路由注册（例如 gorilla/mux）以及异步消息生产者/消费者（Kafka、RabbitMQ、NATS）。
• 将这些数据在仓库之间匹配，构建 服务‑到‑服务流图。
• 新工具：
  • trace_api_flow – 跟踪请求从入口点到所有下游服务的路径。
  • get_service_map – 可视化完整的服务连通图。

分布式追踪的静态分析在代码尚未部署时即可工作，无需 OpenTelemetry 插装。

2. Full Module Dependency Parsing

• 服务器现在能够读取 go.mod 文件，处理：
  • 直接和间接依赖。
  • replace 指令。
  • 导入分类（标准库 vs. 内部 vs. 外部）。
• 工具：get_dependency_graph – 输出 Mermaid 图，展示仓库之间的依赖关系。

这为跨仓库功能奠定了基础。

3. Organization‑Wide Semantic Indexing

• 仓库可以在 组织模型 下进行分组。
• 新增 search_org 工具，结合：
  • 关键字搜索。
  • 向量搜索。
  • 通过 reciprocal rank fusion 实现的混合排序。

示例查询：“find authentication code” → 返回所有 50+ 仓库中的结果，并按相关性排序。

4. One‑Call PR Impact Analysis

不再需要多次调用工具，代理现在可以一次性调用：

• analyze_pr_impact – 返回：
  • 改动的函数行为。
  • 受影响的调用者。
  • 跨服务影响。
  • 依赖层面的影响。
  • 风险评估。

预构建的 recipes（针对 PR 影响分析、API 流解释、架构审查三种最常见工作流）均控制在 8 K token 预算内。

5. Extensible Analyzer & Embedder

• 引入 插件接口：
  • AnalyzerPlugin – 添加语言支持（TypeScript、Python 等）。
  • EmbedderPlugin – 替换嵌入模型。

当前实验：Voyage Code‑3 – 在代码检索上比 OpenAI 提升 16%。

6. REST API & Multi‑Tenant Deployment

• 核心工具现已封装为 REST API，具备：
  • GitHub/GitLab webhook 集成，可在 push 事件时自动分析。
  • 多租户存储，实现组织隔离。
  • 异步分析队列。

目标：一次部署即可服务整个团队，而非每个开发者单独部署。

7. Open‑Source Repository

https://github.com/yashpalsinhc/mcp-repo-context

8. Configuration for Claude Code

在你的 MCP 配置（JSON‑RPC over stdio）中添加以下条目：

{
  "mcpServers": {
    "repo-context": {
      "command": "path/to/mcp-repo-context",
      "args": ["--data-dir", "~/.mcp-data"]
    }
  }
}

9. Typical Claude Code Interaction

> Analyze my local project at /path/to/repo
> What does the CreateUser function do?
> Find all database operations
> Show me the call graph for HandleLogin

10. Takeaway

如果你在构建 AI 驱动的开发者工具，MCP 生态系统值得一试：

• 简单的协议（JSON‑RPC over stdio）。
• 基于 Go 的服务器性能高，易于扩展。
• 将昂贵、缓慢的 AI 探索转化为快速、精准的查询。

我每天都在使用这套服务器——它彻底改变了我与 AI 进行代码交互的方式。