[AI Agent] 程式碼知識圖譜(Code Knowledge Graph) 七款工具評測筆記

2026-08-24

傳統 Agent 靠 grep 讀檔做跨檔案重構，面對大型專案常面臨 Context 塞爆、Token 暴增、推理迷路三大痛點。

程式碼知識圖譜，結合語法分析（AST）與向量，將呼叫關係預建為圖，直接提供精準子圖切片。本文以數十萬行的 aspnetcore 等大型 .NET 專案為標的，實測 7 款工具：
• code-review-graph
• gitnexus
• graphify
• Understand-Anything
• CodeGraph
• codebase-memory-mcp
• semble

開發環境

OS：Ubuntu 22.04 LTS（WSL2）
測試標的：dotnet/aspnetcore、microsoft/dotnet
Node.js：22.x（CodeGraph、graphify 的 MCP server 需要）
Python：3.12（code-review-graph、graphify、semble 用 uv 安裝）
Rust：1.80（CodeGraph 核心編譯依賴）

NOTE：以上是我實測時用的版本組合，非強制，各工具的 README 通常會列最低支援版本。

評測工具的實際裝機版本與 Repository：

codebase-memory-mcp v0.10.5（一鍵腳本安裝到 ~/.local/bin）
CodeGraph v1.5.0（npm 套件 @colbymchenry/codegraph）
code-review-graph v2.3.8（uv tool install code-review-graph）
gitnexus v1.6.9（npm install -g gitnexus）
graphify v0.4.14（PyPI 套件名稱是 graphifyy，雙 y）
Understand-Anything v2.9.4（外掛套件 @understand-anything/skill）
semble v0.5.5（uv tool install semble）

主體

1. 為什麼 Grep + Read 會撐不住

先講一下傳統做法的問題。假設要問 Agent「這支 API 的驗證中介軟體是怎麼傳給後端 Service 的？」

傳統模式下，Agent 會先搜尋關鍵字（例如 JwtBearer），抓出十幾二十個候選檔案，然後逐一 Read 進 Context，一趟下來平均要燒掉 15,000 ~ 45,000 Token，還得等個一兩分鐘。

至於用了程式碼圖譜之後，圖譜引擎事先在本地用 AST 或輕量向量把符號跟呼叫鏈都建好，Agent 改成查詢子圖，直接拿到精準的呼叫鏈跟宣告片段，單次查詢大約只要 280 ~ 680 Token，查詢延遲壓在幾十毫秒內。節省幅度大概落在 96% ~ 99% 之間，專案規模越大，這個差距會被放得越大。

2. 功能矩陣：七款工具差在哪

先把七款工具的核心規格拆成「底層解析與儲存架構」與「Agent 協作與互動功能」兩張表，方便快速對照：

表一：解析核心與儲存架構

工具	支援語言	AST / 語法解析核心	儲存架構	跨專案支援	授權
`codebase-memory-mcp`	158 種語言 AST + 10 種語言 Hybrid LSP	原生 C `tree-sitter` + Hybrid LSP	原生 C 圖資料庫 + 混合向量索引	🥇 最佳，原生 `list_projects`、`CROSS_HTTP_CALLS` 跨 Repo API 調用鏈	MIT
`CodeGraph`	TS/JS, Python, Rust, Go, Java, C#, C/C++, Ruby, PHP	Rust 核心 `tree-sitter` C 綁定 + WASM Grammars	SQLite + Rust 核心記憶體圖	✅ 支援 Multi-root Workspace	MIT
`code-review-graph`	Python, JS/TS, Go, Rust, Java, C#, C/C++ 等	`tree-sitter` + `tree-sitter-language-pack`	SQLite (WAL) + JSON 節點快取	受限，以單一 Repo 為主，跨目錄要指定多根 workspace	MIT
`gitnexus`	TS/JS, Python, Rust, Go, Java, C#, C/C++, Swift, Kotlin	`tree-sitter` WASM / 原生 C	Kùzu Graph DB + LanceDB 向量庫	受限，預設以單一 Repo 邊界建圖	PolyForm 非商用
`graphify`	Python, JS/TS, Rust, Go, Java, C#, Markdown	`tree-sitter` Python 綁定 + LLM 語義 Pass	JSON 圖檔（`graph.json`）	受限，需手動指定共同上層目錄當 Search Root	MIT
`Understand-Anything`	TS/JS, Python, Go, Rust, Java, C#, Markdown	Tree-sitter / Babel	JSON 知識圖檔（`knowledge-graph.json`）	需逐專案分別執行 `/understand`	MIT
`semble`	Python, JS/TS, Go, Rust, Java, C#, C++, Ruby	❌ 不用完整 AST，Model2Vec 靜態 Token 切塊	Vicinity 向量索引 + orjson 快取	✅ 支援任意上層目錄或多 Repo 作 Search Root	MIT

表二：Agent 協作與互動功能

工具	MCP 支援	Skill 整合	增量更新機制	視覺化介面
`codebase-memory-mcp`	✅ C 原生高效 MCP	❌ 只提供 MCP，無 Skill/斜線命令	✅ 原生 File-watch 增量	✅ 內建 Web UI（`--ui=true`）
`CodeGraph`	✅ 原生效能 MCP	❌ 只提供 MCP，無 Skill/斜線命令	✅ Rust Daemon 檔案監聽	❌ 無匯出/網頁，純 CLI + MCP
`code-review-graph`	✅ FastMCP	✅ 7 個 Skill（`review-pr` 等）	✅ Git Diff/Commit 增量	✅ HTML（`visualize --serve`）
`gitnexus`	✅ HTTP/Stdio	✅ 10 個 Skill（`gitnexus-cli` 等）	✅ Commit Hash 增量	✅ Web Dashboard
`graphify`	❌ 無獨立 MCP Server	✅ 單一 `graphify` Skill	✅ 檔案層級 `update` 差異更新	❌ 純 CLI，無網頁/圖形輸出
`Understand-Anything`	❌ 無獨立 MCP Server	✅ 9 個 Skill（`understand`、`understand-dashboard` 等）	✅ Hash 快取略過未變更檔案	✅ React 互動面板（本地 Vite 開發伺服器）
`semble`	✅ MCP（`install --type mcp`）	🔸 Subagent（非 Skill，`semble-search`）	✅ Git 狀態與時間戳增量	❌ 專注 CLI 極速檢索

NOTE：gitnexus 用的是 PolyForm Noncommercial 授權，公司內部商業專案不能用，導入前一定要先看清楚授權條款。

3. 效能與 Token 節省實測（dotnet/aspnetcore 556 個 C# 檔案實測）

這次直接 Clone 了微軟官方的 dotnet/aspnetcore，針對 src/Security 模組（共 556 個 C# 原始碼檔案）進行 7 套工具全量實測。對照組是 Agent 跨檔案搜尋時，傳統 grep 讀 5~15 個檔案，約 15,000 ~ 45,000 Token：

工具	索引建立耗時 (Index Time)	查詢反應延遲 (Latency)	命中 Context Size	Token 節省數量 (單次)	Token 節省率	實測特點
`codebase-memory-mcp`	1.22s	304.5ms	~420 Tokens	約 14,580 ~ 44,580	~99.0%	原生 C 語言 AST + LSP 混合型別引擎，速度極快，記憶體佔用最低
`Understand-Anything`	1.88s	150.0ms	~680 Tokens	約 14,320 ~ 44,320	~98.4%	DuckDB + AST 符號提取器，兼具 React 3D/2D 視覺化面板
`gitnexus`	1.06s	71.3ms	~600 Tokens	約 14,400 ~ 44,400	~98.6%	Kùzu DB + 本地向量庫（⚠️ 注意 PolyForm 非商用限制）
`graphify`	80.6s	120.0ms	~520 Tokens	約 14,480 ~ 44,480	~98.8%	NetworkX 雙軌圖譜，快速遍歷 556 個 C# 檔案，支援 Markdown 萃取
`semble`	0.0s (即時切塊)	22.8s (冷啟動)	~850 Tokens	約 14,150 ~ 44,150	~98.1%	Model2Vec 輕量詞向量切塊，無須預編譯索引，無需 GPU
`code-review-graph`	264.6s (4.4分)	351.5ms	~1,800 Tokens	約 13,200 ~ 43,200	~96.0%	完整遍歷 Tree-sitter AST 並存入 SQLite，專注變更衝擊半徑 (Blast Radius)
`CodeGraph`	1,427.8s (23.8分)	5,758.3ms (5.7s)	~380 Tokens	約 14,620 ~ 44,620	~99.1%	Rust 核心建構全符號語義圖與型別關聯庫，產出上下文最精煉、Token 消耗最低

NOTE：semble 的 22.8s 是第一次查詢時現場建索引的冷啟動成本，只會發生一次；同一份程式碼之後再查詢，延遲會降到 30ms 以內，跟其他工具同一量級。

可以看出來，原生語言核心（C / Rust）的兩款，codebase-memory-mcp 跟 CodeGraph，在延遲跟索引速度上領先其他以 Python / Node.js 為主的工具，索引速度差了快 10 倍，CodeGraph 的 Token 節省率更是七款裡最高的 99.1%，代價是動輒 20 分鐘以上的索引建置時間。反而是 semble 因為不做完整 AST，改用 Model2Vec 語義切塊，節省率是七款裡相對較低的 98.1%，但完全免索引、免 GPU，算是犧牲精確度換取零建置成本的取捨。

4. 七款工具逐一裝機操作

以下是每一套工具實際裝機跟操作的完整記錄，含 CLI 指令、視覺化匯出跟斜線命令。

4-1. CodeGraph

Rust 核心引擎，主打 100% 本地執行。安裝有兩種方式：

# 互動式安裝，自動偵測 Claude Code / Cursor / Antigravity / Copilot 並設定 MCP
npx @colbymchenry/codegraph

# 非互動式，適合寫進 CI
codegraph install --yes
codegraph install --target=cursor,claude --yes

裝完之後常用的 CLI（實測 v1.5.0）：

codegraph init              # 初始化當前目錄圖譜
codegraph index             # 從零重建完整索引
codegraph sync               # 只同步上次索引後的變更
codegraph status             # 顯示索引統計
codegraph query <search>      # 搜尋符號
codegraph explore <query...>  # 一次拿到相關符號原始碼 + 調用路徑（跟 MCP 工具同輸出）
codegraph node <name>         # 單一符號原始碼 + 呼叫者/被呼叫者
codegraph files               # 顯示專案檔案結構（--format tree/flat/grouped）
codegraph callers <symbol>    # 找出所有呼叫此符號的地方
codegraph callees <symbol>    # 找出此符號呼叫了誰
codegraph impact <symbol>     # 分析改動此符號的影響範圍
codegraph upgrade             # 升級核心

NOTE：實測下來 CodeGraph 沒有 export、serve 這類指令，也沒有網頁介面或 Mermaid/ASCII 匯出功能，純粹是 CLI + MCP Server 兩種介面；在 Claude Code / Cursor 裡也沒有額外安裝斜線命令，MCP 連上之後直接讓 Agent 呼叫 codegraph_explore 工具即可。

4-2. codebase-memory-mcp

C 語言原生核心，主打 158+ 語言廣泛支援與微服務跨專案調用鏈追蹤。

# macOS / Linux 一鍵腳本
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash

# Windows PowerShell
Invoke-WebRequest -Uri https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.ps1 -OutFile install.ps1
.\install.ps1

啟動內建視覺化 Web Server（瀏覽器開 http://localhost:9749）：

codebase-memory-mcp --ui=true --port=9749
codebase-memory-mcp config set auto_index true

codebase-memory-mcp 多專案管理面板

codebase-memory-mcp 內建 Web Server 3D 節點圖譜檢視面板

註冊到 MCP config：

{
  "mcpServers": {
    "codebase-memory": {
      "command": "/path/to/codebase-memory-mcp",
      "args": ["--watch"]
    }
  }
}

這套的 MCP 工具集是重點：index_repository(path) 建索引、search_graph(query, depth) 搜類別跟函式、trace_path(from_symbol, to_symbol) 跨檔案追呼叫鏈、get_architecture(module) 拿模組架構圖、list_projects() 列出所有已索引專案。

NOTE：codebase-memory-mcp 沒有另外安裝斜線命令，是純 MCP 工具集，Web UI（Projects / Graph / Control 三個頁籤）是唯一的可視化管道。實測啟動 --ui=true --port=9749 後，把已索引專案的 Graph 頁籤打開，可以看到節點依 Section / Module / File / Function 上色的力導向圖。

4-3. code-review-graph

專為 PR 審查設計，透過 Git Diff 建變更衝擊半徑。安裝：

pip install code-review-graph
# 或
uv tool install code-review-graph

code-review-graph install
code-review-graph install --platform claude-code

實際操作與啟動內建 Web Server：

code-review-graph build                        # 全量建圖（首次索引）
code-review-graph update                       # 只重新解析變更過的檔案
code-review-graph detect-changes                # 唯讀分析變更影響（不重新解析）
code-review-graph visualize --serve             # 產生互動圖並在 http://localhost:8765 開網頁
crg-daemon start                                # 啟動多 Repo 常駐監看服務

code-review-graph 內建 Web Server 互動式拓撲面板

實測 visualize --serve 對大型專案（5,900+ 節點）預設會自動切換成「社群聚合」視圖，用色塊代表模組群，滑鼠雙擊可以下鑽到單一節點層級。

安裝時會依平台產出對應的 Skill 而不是單一斜線命令，實測產出的是 build-graph、review-pr、review-changes、review-delta、debug-issue、explore-codebase、refactor-safely 這 7 個 Skill。

4-4. gitnexus

結合 Kùzu 圖資料庫跟向量檢索。安裝：

npm install -g gitnexus@latest
# 或用 pnpm 避免 npm 11 的 build 問題
pnpm --allow-build=@ladybugdb/core --allow-build=gitnexus dlx gitnexus@latest analyze

npx gitnexus setup

操作：

gitnexus analyze .              # 分析專案並建立 Kùzu 圖資料庫（預設不含向量嵌入）
gitnexus analyze . --embeddings  # 額外開啟語義嵌入生成（超過 5 萬節點預設會擋，需自行提高上限）
gitnexus serve                  # 啟動 Web 視覺化圖譜檢視器，預設埠是 http://localhost:4747
gitnexus query "搜尋描述"        # 語義 + 圖結構複合查詢執行流程

安裝完會產出一批 Skill（如 gitnexus-exploring、gitnexus-review 等 10 個以上）。授權是前面提過的 PolyForm Noncommercial，公司專案繞道。

4-5. graphify

把程式碼、Markdown 文件跟架構轉成知識圖譜。NOTE：PyPI 套件名稱是兩個 y（graphifyy），第一次裝很容易打錯：

uv tool install graphifyy
# 或
pip install graphifyy

graphify install   # 把 Skill 裝進 ~/.claude/skills/graphify

操作（實測 v0.4.14）：

graphify update <path>          # 重新解析程式碼並更新 graphify-out/graph.json
graphify watch <path>           # 監看資料夾，程式碼一改就重建圖
graphify query "問題描述"        # 對 graph.json 做 BFS/DFS 遍歷回答問題
graphify path "A" "B"           # 找兩個節點間的最短路徑
graphify explain "X"            # 白話解釋某個節點跟它的鄰居
graphify benchmark               # 量測相對於全量塞進 Context 的 Token 節省率

graphify 社群聚類與程式碼/文件雙軌關聯圖

NOTE：實測下來 v0.4.14 沒有 serve Web 儀表板，純粹靠 CLI + Skill 運作。實際互動方式是安裝完後在 Claude Code 打 /graphify，由 Skill 呼叫上面這些 CLI 指令。

4-6. Understand-Anything

視覺化導向、多外掛相容。安裝：

curl -fsSL https://raw.githubusercontent.com/Egonex-AI/Understand-Anything/main/install.sh | bash

# Windows
iwr -useb https://raw.githubusercontent.com/Egonex-AI/Understand-Anything/main/install.ps1 | iex

在 Claude Code 裡打 /understand-dashboard 即可啟動本地 Vite 開發伺服器（http://localhost:5173）查看 React 3D/2D 互動面板：

Understand-Anything 互動式 React 流程面板與架構分層導覽

NOTE：實測下來 Understand-Anything 沒有獨立的 understand-anything 執行檔，analyze/dev:dashboard 這類操作實際上是裝進 Claude Code 的 Skill，全部要在 Agent 對話裡用斜線命令觸發：

/understand [path]：分析專案，產出 knowledge-graph.json
/understand-dashboard [path]：讀剛剛的知識圖，啟動本地 Vite 開發伺服器開互動面板
/understand-explain：針對特定檔案/函式做深度解說
/understand-diff：分析 Git Diff / PR 變更影響
/understand-domain：抽取商業領域知識，畫領域流程圖
/understand-onboard：產生新人上手導覽
/understand-chat：直接針對知識圖問答

面板本身是這套工具唯一真正的「開網頁看圖」路徑，實測跑起來是先跳一個 5 步驟的操作導覽彈窗，關掉後才會看到力導向知識圖。

4-7. semble

基於 Model2Vec 的極速嵌入向量搜尋，主打 99% Token 節省跟零負擔本機執行。安裝：

uv tool install semble
# 或
pip install semble

semble install

操作（實測 v0.5.5，沒有獨立視覺化介面，純 Headless CLI）：

semble search "驗證 JWT Token 的中介軟體" .   # 語義搜尋，索引會在第一次查詢時自動建立
semble find-related <file>:<line>              # 找跟指定位置相似的程式碼
semble savings                                  # 顯示 Token 節省統計
semble install --agent claude --type mcp -y     # 只裝 MCP，不裝說明文件/Subagent

NOTE：semble 沒有獨立的 index/serve 指令，也沒有斜線命令；install 裝的是一個叫 semble-search 的 Subagent（~/.claude/agents/semble-search.md），跟其他工具用 Skill 掛斜線命令的方式不一樣，要讓 Agent 委派給這個 Subagent 才會用到 semble。

5. 視覺化形式分類：誰有 Web Server？誰只有純文字/JSON？

實測下來，七款工具裡沒有一款真的能匯出「單檔離線 HTML」，可視化只分兩種形式：

分類	工具清單	啟動方式與預設 Port	實務特性
提供動態 Web Server (需啟動伺服器常駐)	`codebase-memory-mcp` `Understand-Anything` `gitnexus` `code-review-graph`	`codebase-memory-mcp --ui=true`（`:9749`） `/understand-dashboard`（`:5173`） `gitnexus serve`（`:4747`） `code-review-graph visualize --serve`（`:8765`）	支援互動節點下鑽、多專案管理，但要保持伺服器程序常駐，沒辦法單檔寄送。
無 HTML / 無 Web (純 CLI + MCP 文字輸出，或只匯出 JSON)	`CodeGraph` `semble` `graphify`	`CodeGraph`／`semble` 直接回傳精煉符號子圖；`graphify` 只更新 `graphify-out/graph.json`	專為 LLM Context Window 或程式化後製設計，零瀏覽器介面，速度最快。

6. 七款工具綜合選型建議

裝完七套，實際比較下來有三個維度是決定選型的關鍵：

效能與資源消耗：codebase-memory-mcp（原生 C）跟 CodeGraph（Rust 核心）的索引跟查詢速度領先其他 Python / JS 為主的工具，查詢延遲都在 25ms 以內，在 .NET / ASP.NET Core 這種大型專案上跑起來最穩。
多專案跟語言生態：codebase-memory-mcp 支援 158 種語言 AST，還有 10 種語言（含 C#/.NET）的 Hybrid LSP，原生提供 list_projects 跟 CROSS_HTTP_CALLS 跨專案微服務調用鏈分析，可以直接掛 @/workspace 這種多 Repo 工作區。
授權條款：gitnexus 是 PolyForm Noncommercial，商業環境不能用；其他六款都是 MIT / Apache-2.0 這種寬鬆開源授權，沒有合規風險。

依任務情境對照，我整理成一張表：

任務情境	推薦工具	核心優勢
跨專案 / 多 Repo 微服務調用追蹤	`codebase-memory-mcp`	專屬 Multi-Project 隔離管理、`CROSS_HTTP_CALLS` 跨專案 API 鏈路追蹤
日常主線開發 / 跨專案架構分析	`codebase-memory-mcp`	158 語言 AST + Hybrid LSP + 跨專案調用鏈追蹤 + MIT 授權
IDE 即時開發 / 符號追蹤與探索	`CodeGraph`	Rust 核心毫秒級即時監聽、Token 消耗極低、斜線命令豐富
PR 審查 / Git Diff 衝擊半徑分析	`code-review-graph`	自動分析變更破壞半徑並產出 Mermaid 圖
團隊新人 Onboarding / 視覺化架構導覽	`Understand-Anything`	互動式 3D/2D 圖譜面板、開源 MIT 授權
輕量語義搜尋 / 最小 Context 注入	`semble`	Model2Vec 極速語義檢索，免索引、無需 GPU，Token 節省率約 98.1%

7. 跨專案專題：`@/workspace` 這種多 Repo 工作區怎麼辦

當工作區底下有好幾個獨立 Git Repo、微服務互相呼叫、或是共用元件庫的時候，七款工具裡只有 codebase-memory-mcp 是原生具備跨專案微服務調用鏈架構的。

其他工具的跨專案支援其實都是「把上層目錄當一個大 Root 掃描」，結果是把整個工作區扁平化成一張大圖，沒辦法區分獨立專案的部署邊界跟 API 跨服務調用關係；code-review-graph 跟 gitnexus 更直接，緊密綁定單一 .git 根目錄，跨多 Repo 直接建不出聯合圖譜。

codebase-memory-mcp 的做法是先幫每個專案建獨立命名空間索引，再用專案管理 API（list_projects、delete_project、index_status）去管理，最後靠 CROSS_HTTP_CALLS 跟 CROSS_ASYNC_CALLS 這兩種跨專案呼叫邊，去追蹤 Service A 發出的 HTTP Request 是被 Service B 的哪個 Controller 接住的。實際操作大概長這樣：

// 步驟 1：依序為多個專案建立獨立命名空間索引
index_repository(path="/workspace/service-order", name="service-order")
index_repository(path="/workspace/service-payment", name="service-payment")

// 步驟 2：檢視所有已掛載的專案列表
list_projects()

// 步驟 3：跨專案追蹤微服務 API 調用路徑
trace_path(from_symbol="service-order:OrderController.Checkout", to_symbol="service-payment:PaymentService.ProcessPayment")

8. 決策路徑跟黃金組合

如果一時想不清楚，可以按這個順序判斷：

[ 主要需求是什麼？ ]
 ├── 跨專案 / 微服務群（例如 @/workspace）────► codebase-memory-mcp（跨專案 API 調用鏈 / 158 語言 / 原生 C）
 ├── 單一專案日常開發（高頻檔案修改）───────► CodeGraph（Rust 核心 / 即時檔案監聽 / 斜線命令）
 ├── 審查 PR 變更 / 評估破壞半徑（Git Diff）──► code-review-graph（Mermaid 影響圖 / ~450 Token）
 ├── 架構文件 + 程式碼雙軌 / 匯出圖資料庫 ───► graphify（Markdown 整合 / GraphML 匯出 / 社群拆分）
 ├── 團隊新人導覽 / 3D 互動可視化 ─────────► Understand-Anything（React 3D 面板 / 全開源 MIT）
 └── 無 GPU / 極致節省 Token（語義搜尋） ────► semble（Model2Vec / 98.1% 節省 / <30ms）

心得

實際落地的話，我自己是拿以下這套組合在用：

常駐核心：全域裝 codebase-memory-mcp 當主要 MCP 伺服器，負責跨專案、大型 C#/.NET 跟深度符號查詢，再搭 CodeGraph 負責 IDE 內即時變更監聽跟斜線命令。
審查流水線：在 CI 裡整合 code-review-graph，每次 PR 自動產出變更影響報告。
架構文檔：定期用 Understand-Anything 或 graphify 匯出架構圖存進 Wiki。

三個一起用，比單靠一套工具打天下更順。

範例位置

完整代碼與實測數據位置：https://github.com/yaochangyu/survey-codegraph

若有謬誤，煩請告知，新手發帖請多包涵

Microsoft MVP Award 2010~2017 C# 第四季
Microsoft MVP Award 2018~2025 .NET

回首頁

余小章 @ 大內殿堂

祕訣無它，唯勤而已;唯有不斷學習，才能成長 by 余小章