08 - 业内其他主流本地代码索引方案补遗

除了前面 5 个项目（code-review-graph、GitNexus、code-graph-rag-mcp、Semble、BitFun）之外，业内还有不少值得关注的本地代码索引方案，特别是 Serena（24K stars） 和 Claude Context（Zilliz，9K stars） 这两个名气最大的。本章把这些方案分类整理出来。

1. 业内方案全景图

按"实现路线"重新分类整个市场：

                       本地代码索引方案
                              │
   ┌──────────┬───────────┬──┴────────┬──────────┬─────────────┐
   ▼          ▼           ▼           ▼          ▼             ▼
LSP 派     向量 RAG 派   图谱派    混合检索派   AST 结构派    Grep 加速派
   │          │           │           │          │             │
Serena      Claude       code-      Semble    ast-grep MCP   BitFun
oraios/     Context     review-    Minishlab  ast-grep/      flashgrep
serena      Zilliz      graph      ────────   ast-grep-mcp   ─────────
─────────   ─────────   ─────────   code-     ─────────       probe
            code-       GitNexus    graph-    Tree-sitter    probelabs
            context-    abhigyan-   rag-mcp   query 工具
            engine      patwari     er77/     ─────────
            elara-labs  ─────────   ─────────  ast-grep
            ─────────   code-graph- code-      Skills
            code-       rag-mcp     index-
            memory      er77/       mcp
            ─────────   ─────────   johnhuang-
            claude-                 316/
            context-                code-
            local                   index-mcp
            tazhate/                ─────────
            ─────────               codeindex-
            zxfgds/                 mcp
            mcp-code-               lexandro
            indexer                 (Go)
            ─────────
            Sourcegraph
            Cody

2. Serena — LSP 派的王者（24,367 stars）

GitHub: oraios/serena ⭐ 24K+核心定位: "为你的 Coding Agent 装一个 IDE"。通过 Language Server Protocol (LSP) 让 AI 在符号级别操作代码，而不是字符串级别。 License: MIT

2.1 核心特性

Serena 与前 5 个项目最大的不同是：它不建额外的索引，而是直接借用每种语言的官方 LSP（Language Server Protocol）。LSP 是 VSCode/JetBrains 等 IDE 用了多年的成熟方案，能精准做：

"go to definition"
"find references"
"call hierarchy"
"rename symbol"
"diagnostics"

38+ MCP 工具，分四大类：

类别	代表工具
符号级导航	跳转定义、查找引用、符号搜索、调用层次
语义搜索	按意义找代码而非字符串匹配
精确编辑	替换符号体、前后插入、跨文件 rename，不破坏周围代码
安全保障	删除前引用检查、编辑后诊断验证

2.2 语言覆盖

52 种编程语言（业内最广），通过各自的 LSP 实现：

Python（Pyright）
TypeScript/JavaScript（typescript-language-server）
Go（gopls）
Rust（rust-analyzer）
Java（jdtls）
C/C++（clangd）
……

2.3 关键工程

持久化 daemon：LSP 进程常驻，跨请求保温，避免冷启动
52 种语言"开箱即用"：无需为每种语言写 Tree-sitter 抽取规则
HTTP / stdio 双模式：可远程或本地
多 Context：内置 claude-code / desktop-app / ide 等预设

2.4 配置文件

~/.serena/
├── serena_config.yml          # 全局配置（自动创建）
└── projects/
    └── <project>/
        └── project.yml         # 项目级配置

2.5 安装

bash

# 推荐方式：uvx 启动（无需全局安装）
claude mcp add serena -s user -- uvx --from serena serena

# 或者
codex mcp add serena -- uvx --from serena serena

2.6 适用场景

✅ 强推：

跨文件重构、rename
引用查找、call hierarchy
任何语言的精准符号级操作
已经在用 LSP 工具链的项目

⚠️ 慎用：

不依赖语义/向量检索 → 找不到"意图相关"代码
LSP 启动慢的语言（Java/Scala）首次响应略慢

2.7 与前 5 个项目对比

维度	Serena	code-review-graph / GitNexus
索引方式	LSP（IDE 派）	Tree-sitter（自建图）
语言数	52	11–23
rename / refs	LSP 原生精准	基于图近似
爆炸半径分析	没有现成工具	强项
维护成本	几乎为零（LSP 帮你处理）	需要为每种语言写规则

结论：Serena 与 code-review-graph 是互补的——前者强符号级编辑，后者强图谱分析。两者可以同时挂在同一个 Claude Code 里。

3. Claude Context (Zilliz) — 向量 RAG 派的代表（9K+ stars）

GitHub: zilliztech/claude-context ⭐ 9K+核心定位: 把 codebase 语义索引到 Milvus 向量数据库，让 AI 助手用语义搜索（而非文件遍历）理解整个代码库。 License: MIT

3.1 五大核心组件

组件	实现
代码分割器	AST 或 LangChain 切块，默认 2500 行 chunk，300 行 overlap
嵌入提供商	OpenAI / VoyageAI / Gemini / Ollama 四选一
向量数据库	Milvus / Zilliz Cloud，支持 BM25 + 密集向量混合搜索
文件同步器	Merkle DAG 比对，仅索引变更文件（存 `~/.context/merkle/`）
MCP 服务器	暴露 4 工具：`index_codebase`、`search_code`、`clear_index`、`get_indexing_status`

3.2 嵌入 provider 矩阵

Provider	默认模型	备注
OpenAI	`text-embedding-3-small`	默认，质量稳定
VoyageAI	`voyage-code-3`	专为代码训练，README 中标注"code-optimized"
Gemini	`gemini-embedding-001`	多语言强
Ollama	`nomic-embed-text`	完全本地，零数据外发

3.3 安装

bash

# 推荐：通过 npm 启动 MCP
claude mcp add claude-context -- npx -y @zilliz/claude-context-mcp

# 必需环境变量
OPENAI_API_KEY=sk-...
EMBEDDING_PROVIDER=OpenAI
MILVUS_TOKEN=your-zilliz-cloud-api-key   # 或本地 Milvus URL

3.4 关键设计亮点

a) Merkle DAG 增量

不像普通的 mtime/hash 单点比对，Claude Context 把整个目录看成一棵 Merkle 树：

改一个文件 → 该文件及其所有祖先的哈希变化
同步时只需要从根开始 diff 即可定位所有变更
远超 git status + 单文件 hash 的简单方案

b) 混合检索

每次查询同时跑：

BM25：精确关键词匹配（标识符、API 名）
密集向量：语义匹配

两路结果在 Milvus 内部 RRF 融合。

3.5 与 Semble 的对比

维度	Claude Context (Zilliz)	Semble
向量库	Milvus（重量级）	内存/文件（轻量）
嵌入	云 API 为主（OpenAI/Gemini/VoyageAI）	Model2Vec 本地静态
增量	Merkle DAG	250ms 全量重建
依赖	要装 Milvus 或开 Zilliz 账户	零依赖
跨机器共享索引	✅（Milvus 当后端）	❌
企业 / 团队适配	✅	个人用更合适

结论：Claude Context 是"企业级方案"，Semble 是"个人轻量方案"。

3.6 实测收益

相比"directory dump"减少约 40% token
比纯 grep 能找到"命名不同但语义相同"的代码（如查"用户认证"找到 verifySignature()）

4. Probe — AST 感知的 Rust 极速搜索（probelabs/probe）

GitHub: probelabs/probe核心定位: 把 ripgrep 的速度 + Tree-sitter 的 AST 智能 + Elasticsearch 风格的查询语法全揉一起，零设置、零依赖、纯离线。 技术栈: Rust

4.1 三大杀手锏

AST 感知：返回完整语义块（整个函数 / 类），不是 grep 那种"半行片段"
零设置：不建索引也能跑（首次搜索时即时跑 AST 解析），可选预建索引加速
Elasticsearch 风格查询：

"async" AND "fetch" NOT "test"
field:function "validateUser"
required:term excluded:legacy

4.2 MCP 工具

通过 npx -y @probelabs/probe mcp 启动，提供 3 工具：

工具	作用
`search_code`	Elasticsearch 风格语义搜索，带 session 缓存
`query_code`	Tree-sitter pattern matching
`extract_code`	提取代码块，带 file path + 行号

4.3 关键特性

Token 感知：--max-tokens 直接限制返回大小；session 去重避免重复返回
完全离线：不需要 API 调用
BM25/TF-IDF + SIMD 加速评分
支持 13+ 种语言

4.4 与 BitFun / flashgrep 的对比

维度	Probe	BitFun (flashgrep)
核心算法	AST 感知 + BM25/TF-IDF + SIMD	trigram 倒排索引
是否需要索引	可有可无	必须先建索引
返回粒度	完整函数 / 类	grep 行
超大仓库	好	极佳
集成	NPX MCP + Rust SDK + CLI	BitFun 桌面端

结论：Probe 更"AI 友好"（返回语义块），flashgrep 更"暴力快"（单纯加速 grep）。

5. ast-grep MCP — AST 结构化搜索

GitHub: ast-grep/ast-grep-mcp核心定位: 用 AST pattern matching 找代码，而不是字符串。让 AI 能写出"所有没处理错误的 async 函数"这种结构化查询。

5.1 能做什么

经典查询示例：

yaml

# 找所有没处理错误的 async 函数
rule:
  pattern: async function $NAME($$$) { $$$ }
  not:
    has:
      pattern: try { $$$ } catch { $$$ }

可以找到：

所有未处理错误的 async 函数
使用某个 React Hook 的所有组件
参数超过 3 个的函数
类方法里的 console.log
特定上下文里的代码（如 useEffect 里的 setState）

5.2 集成方式

MCP Server：ast-grep-mcp 暴露 4 个工具，主要是 dump_syntax_tree、pattern match、自定义 sgconfig.yaml
Claude Code Skill：ast-grep/agent-skill 教 Claude 写规则
Cursor / Claude Desktop 都支持

5.3 与 Tree-sitter 派的关系

ast-grep 本质上是 Tree-sitter 的命令行/规则 DSL，与 code-review-graph 等"用 Tree-sitter 自建图"是互补的：

code-review-graph：建持久化图，做关系查询
ast-grep：实时 AST 模式匹配，做"代码体检""规则巡检"

适合用 ast-grep 写自动 lint / refactor 规则，让 AI 沿着规则做。

6. code-index-mcp (johnhuang316) — Python MCP 中坚

GitHub: johnhuang316/code-index-mcp ⭐ ~900+ 技术栈: Python 核心定位: 智能代码索引与分析的 MCP 服务器，支持 10+ 种语言。

6.1 特性

Python 实现，uvx code-index-mcp 一行启动
10+ 语言，AST + 关键字混合
高级搜索（按名字、按类型）
项目结构分析（类、函数、依赖）

6.2 安装

bash

# 推荐 uvx
uvx code-index-mcp

# 或 pip
pip install code-index-mcp

6.3 与 code-graph-rag-mcp（er77）的对比

维度	code-index-mcp (johnhuang316)	code-graph-rag-mcp (er77)
语言	Python	Node.js (24+)
工具数	中等	26 方法
嵌入	简单	多 provider
MCP 标准化程度	良好	高（含 batch_index、bus diagnostics）
Stars	~900	~100

7. 其他值得关注的方案

7.1 code-context-engine（elara-labs）

GitHub: elara-labs/code-context-engine
号称 94% token 节省
一键自动检测编辑器（Claude Code / Cursor / VS Code / Gemini CLI）
全文 + 语义搜索，.gitignore 感知

7.2 code-memory（kapillamba4）

GitHub: kapillamba4/code-memory
BM25 + 密集向量
Git 历史集成（按 git commit 时序检索代码）
AST 感知，零遥测、无 API Key
号称 50% token 节省

7.3 claude-context-local（tazhate）

GitHub: tazhate/claude-context-local
AST chunking + 混合语义/词法搜索
9+ 语言
轻量（~200MB RAM），多项目搜索

7.4 codeindex-mcp（lexandro）

GitHub: lexandro/codeindex-mcp
Go 实现，单二进制 17MB，零运行时依赖
Bleve 全文搜索
自动 file watcher + glob 搜索

7.5 mcp-code-indexer（zxfgds）

GitHub: zxfgds/mcp-code-indexer
Python，向量化语义搜索
多项目并行
集成 Claude Desktop + VSCode

8. 企业 / 远程方案：Sourcegraph Cody

商业 + 开源的代码搜索平台，与本调研其他项目"纯本地"路线不同，Cody 走的是"本地 + 远程仓库联邦"路线。

8.1 核心能力

Agentic Context Fetching：mini-Agent 自动收集上下文
工具：代码搜索 + 文件获取 + 终端命令 + 网络 + MCP + OpenCtx
迭代式 review loops，确保上下文完整

8.2 MCP 集成

Cody 已支持 Anthropic MCP：

内置 MCP servers：Postgres / Filesystem / Google Drive / Git / SQLite / Brave Search
Agentic 工具调用：自动调用 MCP 工具收集上下文
MCP 完全本地运行，显式 opt-in

8.3 与纯本地方案的差异

维度	Cody	code-review-graph / GitNexus
索引位置	本地 + 远程仓库（Sourcegraph 平台）	纯本地
多仓库联邦	✅	有限
企业权限	✅	❌
完全离线	❌（需远程查询时）	✅

适合"几十个微服务仓库分布在不同 GitHub Org，又需要跨仓库语义搜索"的企业团队。

9. 加上这些项目后的完整对比表

按"流派 + 关键差异"重新归纳：

9.1 LSP 派（新增）

项目	Stars	语言数	特色
Serena	24K+	52	LSP 原生，38+ MCP 工具，符号级精准编辑

9.2 知识图谱派

项目	Stars	语言数	特色
code-review-graph	17K	23+	28 工具，5 prompt，crg-daemon
GitNexus	—	11	Skills + Hooks + Web UI

9.3 向量 RAG / 混合检索派

项目	Stars	嵌入方式	向量库
Claude Context (Zilliz)	9K+	OpenAI/VoyageAI/Gemini/Ollama	Milvus/Zilliz Cloud
code-graph-rag-mcp (er77)	~100	多 provider	sqlite-vec
Semble	~2K	Model2Vec 静态	内存
code-index-mcp (johnhuang316)	~900	简单	简单
code-context-engine	~76	多	多
code-memory	~30	BM25+密集	本地
claude-context-local	~0	AST chunking	本地
mcp-code-indexer	—	向量化	本地

9.4 AST 结构化派（新增）

项目	特色
ast-grep MCP	AST pattern matching，规则巡检
Probe	AST + Elasticsearch query + 离线

9.5 Grep 加速派

项目	特色
BitFun / flashgrep	trigram 倒排索引，Chromium 36.1× 加速
codeindex-mcp (Go)	Bleve 全文索引，17MB 静态二进制

9.6 企业远程派

项目	特色
Sourcegraph Cody	本地+远程联邦，MCP 集成

10. 推荐组合更新版

加上 Serena 后，业内最强组合变成：

┌────────────────────────────────────────────────┐
│              AI Coding Agent                    │
│       (Claude Code / Codex / Cursor)           │
└────────────────────────┬────────────────────────┘
                         │ MCP
   ┌──────────┬──────────┼──────────┬──────────┐
   ▼          ▼          ▼          ▼          ▼
LSP 派     图谱派      RAG 派      AST 派     Grep 加速
─────      ─────       ─────       ─────      ─────
Serena    code-       Semble      ast-grep   flashgrep
(精准重构) review-     或          (规则        (大仓库
          graph       Claude       巡检)        加速)
          (PR 评审    Context
           影响分析)   (企业向量)

实际配置示例（个人版）：

bash

# 1. Serena —— 跨文件 rename、refs（LSP 派）
claude mcp add serena -s user -- uvx --from serena serena

# 2. code-review-graph —— PR 评审、影响分析（图谱派）
pip install code-review-graph && code-review-graph install

# 3. Semble —— 极速语义搜索（向量派）
claude mcp add semble -s user -- uvx --from "semble[mcp]" semble

实际配置示例（企业版，可远程协作）：

Serena（精准编辑）
Claude Context (Zilliz)（团队共享 Milvus 索引）
Sourcegraph Cody（跨仓库联邦）

11. 选型补充建议

11.1 如果你之前在 7 选型表里没选好，看看这里

你的场景	加 1 个项目
我想要最广的语言支持（52 种）	Serena（LSP 派）
我想要精准的跨文件重构 / refs	Serena（LSP 原生）
我想要团队共享索引（不只是个人）	Claude Context (Zilliz) + Milvus
我想要自动代码规则巡检	ast-grep MCP
我想要零设置零依赖的语义搜索	Probe
我想要单二进制零运行时部署	codeindex-mcp (Go)
我有几十个微服务仓库散落各 Git 仓库	Sourcegraph Cody
我用 Git commit 时序做"哪个版本动了这段代码"	code-memory

11.2 5 大项目 + 这一章项目的"职责矩阵"

任务	最佳工具
"跳到 X 的定义"	Serena（LSP）
"X 被谁调用"	Serena（LSP refs）/ code-review-graph（图）
"改 X 影响哪些测试"	code-review-graph / GitNexus（爆炸半径）
"PR 评审"	code-review-graph（slash 命令）/ GitNexus（Skill）
"找加密用户密码的代码"	Semble（语义） / Claude Context
"全仓库找字符串/常量"	flashgrep / Probe（速度）
"找所有 async 没 try/catch 的函数"	ast-grep MCP（AST 规则）
"跨 50 个仓库语义搜索"	Sourcegraph Cody（联邦）
"团队 50 人共享索引"	Claude Context (Zilliz Cloud)
"Chromium 级超大仓库"	flashgrep / Probe

12. 总结：业内现状

到 2026 年中，业内本地代码索引方案明显进入"百花齐放"阶段：

现状	含义
MCP 成为事实标准	几乎所有新项目都先做 MCP server
LSP 派强势崛起	Serena 24K stars，把"AI + IDE 能力"打通
企业向量库 vs 个人本地嵌入	Claude Context vs Semble 两种路线并存
图谱 + 向量混合是默认	code-graph-rag-mcp 等代表
Rust 工具链占据底层	flashgrep / Probe 都是 Rust
Python 占据上层	code-review-graph / Semble / code-index-mcp
Skills 化趋势	Claude Code 的 Skills 体系催生了大批"专项工作流"

预测方向：

LSP + 图谱 + 向量 + Grep 加速四派会出现"全栈方案"（已经初见 BitFun）
标准化的 "代码索引 MCP 接口"可能很快出现
静态嵌入（Model2Vec 等）会替代大部分本地 Transformer
团队共享 + 本地优先并存

13. 参考链接

Serena: https://github.com/oraios/serena
Claude Context (Zilliz): https://github.com/zilliztech/claude-context
Probe: https://github.com/probelabs/probe
ast-grep MCP: https://github.com/ast-grep/ast-grep-mcp
code-index-mcp: https://github.com/johnhuang316/code-index-mcp
code-context-engine: https://github.com/elara-labs/code-context-engine
code-memory: https://github.com/kapillamba4/code-memory
claude-context-local: https://github.com/tazhate/claude-context-local
codeindex-mcp (Go): https://github.com/lexandro/codeindex-mcp
mcp-code-indexer: https://github.com/zxfgds/mcp-code-indexer
Sourcegraph Cody: https://sourcegraph.com/docs/cody/capabilities/agentic-context-fetching
MCP 协议: https://modelcontextprotocol.io/

docs

hook

watcher

08 - 业内其他主流本地代码索引方案补遗 ​

1. 业内方案全景图 ​

2. Serena — LSP 派的王者（24,367 stars） ​

2.1 核心特性 ​

2.2 语言覆盖 ​

2.3 关键工程 ​

2.4 配置文件 ​

2.5 安装 ​

2.6 适用场景 ​

2.7 与前 5 个项目对比 ​

3. Claude Context (Zilliz) — 向量 RAG 派的代表（9K+ stars） ​

3.1 五大核心组件 ​

3.2 嵌入 provider 矩阵 ​

3.3 安装 ​

3.4 关键设计亮点 ​

a) Merkle DAG 增量 ​

b) 混合检索 ​

3.5 与 Semble 的对比 ​

3.6 实测收益 ​

4. Probe — AST 感知的 Rust 极速搜索（probelabs/probe） ​

4.1 三大杀手锏 ​

4.2 MCP 工具 ​

4.3 关键特性 ​

4.4 与 BitFun / flashgrep 的对比 ​

5. ast-grep MCP — AST 结构化搜索 ​

5.1 能做什么 ​

5.2 集成方式 ​

5.3 与 Tree-sitter 派的关系 ​

6. code-index-mcp (johnhuang316) — Python MCP 中坚 ​

6.1 特性 ​

6.2 安装 ​

6.3 与 code-graph-rag-mcp（er77）的对比 ​

7. 其他值得关注的方案 ​

7.1 code-context-engine（elara-labs） ​

7.2 code-memory（kapillamba4） ​

7.3 claude-context-local（tazhate） ​

7.4 codeindex-mcp（lexandro） ​

7.5 mcp-code-indexer（zxfgds） ​

8. 企业 / 远程方案：Sourcegraph Cody ​

8.1 核心能力 ​

8.2 MCP 集成 ​

8.3 与纯本地方案的差异 ​

9. 加上这些项目后的完整对比表 ​

9.1 LSP 派（新增） ​

9.2 知识图谱派 ​

9.3 向量 RAG / 混合检索派 ​

9.4 AST 结构化派（新增） ​

9.5 Grep 加速派 ​

9.6 企业远程派 ​

10. 推荐组合更新版 ​

11. 选型补充建议 ​

11.1 如果你之前在 7 选型表里没选好，看看这里 ​

11.2 5 大项目 + 这一章项目的"职责矩阵" ​

12. 总结：业内现状 ​

13. 参考链接 ​

08 - 业内其他主流本地代码索引方案补遗

1. 业内方案全景图

2. Serena — LSP 派的王者（24,367 stars）

2.1 核心特性

2.2 语言覆盖

2.3 关键工程

2.4 配置文件

2.5 安装

2.6 适用场景

2.7 与前 5 个项目对比

3. Claude Context (Zilliz) — 向量 RAG 派的代表（9K+ stars）

3.1 五大核心组件

3.2 嵌入 provider 矩阵

3.3 安装

3.4 关键设计亮点

a) Merkle DAG 增量

b) 混合检索

3.5 与 Semble 的对比

3.6 实测收益

4. Probe — AST 感知的 Rust 极速搜索（probelabs/probe）

4.1 三大杀手锏

4.2 MCP 工具

4.3 关键特性

4.4 与 BitFun / flashgrep 的对比

5. ast-grep MCP — AST 结构化搜索

5.1 能做什么

5.2 集成方式

5.3 与 Tree-sitter 派的关系

6. code-index-mcp (johnhuang316) — Python MCP 中坚

6.1 特性

6.2 安装

6.3 与 code-graph-rag-mcp（er77）的对比

7. 其他值得关注的方案

7.1 code-context-engine（elara-labs）

7.2 code-memory（kapillamba4）

7.3 claude-context-local（tazhate）

7.4 codeindex-mcp（lexandro）

7.5 mcp-code-indexer（zxfgds）

8. 企业 / 远程方案：Sourcegraph Cody

8.1 核心能力

8.2 MCP 集成

8.3 与纯本地方案的差异

9. 加上这些项目后的完整对比表

9.1 LSP 派（新增）

9.2 知识图谱派

9.3 向量 RAG / 混合检索派

9.4 AST 结构化派（新增）

9.5 Grep 加速派

9.6 企业远程派

10. 推荐组合更新版

11. 选型补充建议

11.1 如果你之前在 7 选型表里没选好，看看这里

11.2 5 大项目 + 这一章项目的"职责矩阵"

12. 总结：业内现状

13. 参考链接