你是否遇到过这样的场景：当你向 Claude Code 或 Cursor 这样的 AI 编程助手提问“这个函数被谁调用？”或“这个 API 的入口在哪里？”时，AI 需要花费大量上下文 Token 去读取一个又一个文件，才能拼凑出答案。这不仅响应慢、成本高，而且对于大型项目，AI 很容易迷失在代码的海洋里，给出不完整甚至错误的答案。

今天要介绍的工具，正是为了解决这个痛点而生。codebase-memory-mcp是一个在 GitHub 上斩获 10K+ 星的高性能代码智能引擎，它本质上是一个 MCP（Model Context Protocol）服务器。它的核心思想是：先为 AI 绘制一张代码库的“地图”，再让它基于这张地图进行精准导航和修改。

想象一下，你让一个不熟悉城市的人帮你找路，如果只给他街道名，他可能需要一条街一条街地摸索。但如果你先给他一张详细的地图，他就能立刻规划出最优路径。codebase-memory-mcp 就是为 AI 生成这张“代码地图”的工具。它能在毫秒级内将你的代码库索引成一个持久化的知识图谱，包含函数、类、调用链、HTTP 路由等实体及其关系。当 AI 需要理解代码结构时，不再需要遍历文件，只需查询这张图谱，效率提升百倍，Token 消耗减少 99% 以上。

本文将带你从零开始，全面了解并上手 codebase-memory-mcp。无论你是 AI 编程工具的深度用户，还是对代码智能分析感兴趣的后端开发者，都能从中获得一套完整的、可落地的解决方案。我们将涵盖其核心概念、快速安装、与主流 AI 编程助手（Claude Code, Cursor 等）的集成、核心功能实战，以及最佳实践和排错指南。

1. 核心概念与工作原理：为什么需要“代码记忆”？

在深入实操之前，理解 codebase-memory-mcp 要解决的根本问题及其背后的技术原理至关重要。这能帮助你在后续使用中更好地理解其行为，并发挥其最大价值。

1.1 传统 AI 代码理解的瓶颈

当前主流的 AI 编程助手（如 Claude Code、Cursor、GitHub Copilot）在理解大型、复杂代码库时，主要依赖两种方式：

1. 文件遍历（File-by-File Grep）：当 AI 需要回答一个关于代码结构的问题时，它可能会使用grep或类似工具在文件系统中搜索关键词，然后读取相关文件的内容。这种方式速度慢，且容易遗漏跨文件的复杂关系（如一个函数通过多层间接调用最终影响了某个 API）。
2. 有限的上下文窗口：即使 AI 能够一次性读取多个文件，其上下文窗口（Token 数）也是有限的。对于一个拥有数万甚至数十万行代码的项目，将整个代码库塞进上下文是不现实的。AI 只能看到代码的“局部”，缺乏“全局”视野。

这两种方式导致的结果是：高延迟、高 Token 消耗、低准确率。AI 像是在一个没有地图的迷宫里摸索，效率低下。

1.2 MCP（Model Context Protocol）简介

MCP（Model Context Protocol）是由 Anthropic 提出的一种开放协议，旨在为 AI 模型提供一种标准化的方式来访问外部工具、数据和计算资源。你可以把它想象成 AI 的“插件系统”或“驱动程序”标准。

一个 MCP 服务器（Server）提供一组定义好的工具（Tools），而 MCP 客户端（Client，如 Claude Code）可以动态地发现并调用这些工具。codebase-memory-mcp 就是一个实现了 MCP 协议的服务器，它专门提供与代码库结构分析相关的工具。

关键点：codebase-memory-mcp本身不包含 LLM。它只是一个强大的“数据提供者”和“查询引擎”。你的 AI 助手（MCP 客户端）负责将你的自然语言问题（如“谁调用了processOrder？”）翻译成对 codebase-memory-mcp 的图谱查询指令，然后接收结构化的查询结果，并组织成自然语言回答给你。这种分工使得它无需额外的 API Key，完全利用你已有的 AI 助手。

1.3 知识图谱：代码的“结构化记忆”

codebase-memory-mcp 的核心产出是一个代码知识图谱。它将代码库中的各种元素抽象为图谱中的“节点”（Node）和“边”（Edge）。

• 节点（Node）：代表代码实体。例如：Project（项目）、Package（包）、File（文件）、Class（类）、Function（函数）、Method（方法）、Route（HTTP 路由）、Resource（K8s 资源）等。
• 边（Edge）：代表实体之间的关系。例如：
  • CALLS: 函数 A 调用了函数 B。
  • IMPORTS: 文件 A 导入了模块 B。
  • DEFINES: 文件 A 中定义了类 B。
  • IMPLEMENTS: 类 A 实现了接口 B。
  • HTTP_CALLS: 函数 A 发起了对 HTTP 路由 B 的调用。
  • EMITS/LISTENS_ON: 事件发射与监听关系。

通过构建这样的图谱，codebase-memory-mcp 将代码的“文本”转换成了“关系网络”。查询“谁调用了processOrder”就变成了在图谱中查找所有通过CALLS边指向processOrder函数节点的其他节点，这是一个在图数据库中可以毫秒级完成的操作。

1.4 Hybrid LSP：超越语法分析的语义理解

仅仅进行语法分析（AST）是不够的。例如，在 Python 中，user.profile.display_name()这行代码，语法分析只能知道这是一个方法调用，但无法确定display_name方法具体定义在哪个模块的哪个类里。

codebase-memory-mcp 引入了Hybrid LSP层。它是一个轻量级的、用 C 实现的语义分析引擎，内置于二进制文件中，无需启动额外的语言服务器进程。它能够理解：

• 导入解析：准确追踪import、from ... import、require、use等语句。
• 类型推断：解析函数签名、泛型、继承链，从而确定一个调用到底指向哪个具体的定义。
• 跨文件引用：建立跨文件的定义与引用关系。

支持 Hybrid LSP 的语言包括 Python、TypeScript/JavaScript/JSX/TSX、Go、C/C++、Java、Kotlin、Rust、PHP、C# 等主流语言。这使得生成的图谱具有 IDE 级别的“跳转到定义”精度。

2. 环境准备与快速安装

codebase-memory-mcp 的设计哲学是“开箱即用”。它是一个单静态二进制文件，零运行时依赖，支持 macOS、Linux 和 Windows。

2.1 系统要求与前置检查

• 操作系统：macOS (Intel/Apple Silicon)、Linux (x86_64/ARM64)、Windows (x86_64)。
• 磁盘空间：约 50-100 MB 用于二进制文件和缓存。
• 内存：索引时占用较多（取决于项目大小），查询时内存占用很低。
• 网络：仅首次安装时需要从 GitHub 下载。

重要提示：codebase-memory-mcp 的所有处理都在本地完成，你的代码永远不会离开你的机器，确保了代码隐私和安全。

2.2 一键安装（推荐）

这是最快捷的安装方式，脚本会自动下载适合你平台的最新版本二进制文件，并将其安装到系统路径（如/usr/local/bin或~/.local/bin），同时为你已安装的 AI 编程助手自动配置 MCP。

macOS / Linux:

打开终端，执行以下命令：

curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash

如果你希望安装带有内置 3D 图谱可视化 UI 的版本，可以加上--ui参数：

curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash -s -- --ui

Windows (PowerShell):

以管理员身份打开 PowerShell，执行：

# 1. 下载安装脚本 Invoke-WebRequest -Uri https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.ps1 -OutFile install.ps1 # 2. （可选但推荐）检查脚本内容 notepad install.ps1 # 3. 执行安装 .\install.ps1

同样，可以通过-Ui参数安装 UI 版本：.\install.ps1 -Ui

安装脚本会：

1. 检测你的系统架构和操作系统。
2. 从 GitHub Releases 下载对应的二进制压缩包。
3. 验证 SHA-256 校验和。
4. 解压并安装二进制文件到$HOME/.local/bin（Linux/macOS）或添加到 PATH。
5. 自动检测并配置已安装的 AI 助手（如 Claude Code、Cursor、Codex CLI 等），在它们的配置目录中添加 MCP 服务器条目。

2.3 手动安装与配置

如果你更喜欢手动控制，或者安装脚本在你的环境上不工作，可以手动下载并配置。

1. 下载二进制文件： 访问 GitHub Releases 页面，根据你的系统下载对应的压缩包（codebase-memory-mcp-<os>-<arch>.tar.gz或.zip）。

2. 解压并放置：

   # macOS/Linux 示例 tar xzf codebase-memory-mcp-darwin-arm64.tar.gz # 将解压出的二进制文件移动到 PATH 中，例如 sudo mv codebase-memory-mcp /usr/local/bin/ # 或 mv codebase-memory-mcp ~/.local/bin/

3. 手动配置 MCP（以 Claude Code 为例）： Claude Code 的全局 MCP 配置文件通常位于~/.claude/.mcp.json（macOS/Linux）或%USERPROFILE%\.claude\.mcp.json（Windows）。如果文件不存在，请创建它。 编辑该文件，添加codebase-memory-mcp服务器配置：

   { "mcpServers": { "codebase-memory-mcp": { "command": "/usr/local/bin/codebase-memory-mcp", // 替换为你的二进制实际路径 "args": [], "env": { // 可选环境变量，例如设置日志级别 // "CBM_LOG_LEVEL": "debug" } } } }

4. 重启你的 AI 助手：关闭并重新打开 Claude Code Desktop App 或你的 IDE（如果使用 Cursor 等插件）。

2.4 验证安装

安装并重启后，你可以在 AI 助手的聊天窗口中输入/mcp命令来查看已连接的 MCP 服务器列表。你应该能看到codebase-memory-mcp以及它提供的 14 个工具。

你也可以在终端中直接运行codebase-memory-mcp --version来检查命令行工具是否可用。

3. 核心功能实战：与 AI 助手协同工作

安装配置完成后，让我们通过几个典型场景，看看 codebase-memory-mcp 如何与你的 AI 助手配合，极大提升代码理解和修改的效率。

3.1 场景一：快速索引与探索新项目

当你打开一个新的代码仓库，第一步就是让 AI 助手“认识”它。

操作：在 AI 助手的聊天框中，直接输入：

请索引当前项目。

或者更具体地：

/index this repository

（具体命令可能因助手而异，Claude Code 通常能理解自然语言指令）

背后发生的事：

1. AI 助手会调用index_repository工具，并将当前工作目录的绝对路径传递过去。
2. codebase-memory-mcp 启动索引管道：
   • 文件发现：遍历目录，遵循.gitignore和.cbmignore规则，跳过node_modules,.git等目录。
   • 语法解析：使用内嵌的 tree-sitter 语法解析器对 158 种语言的文件进行 AST 分析。
   • 语义增强：对支持的语言运行 Hybrid LSP 进行类型解析。
   • 图谱构建：提取所有代码实体（函数、类、导入等）及其关系，构建知识图谱并持久化到本地 SQLite 数据库（默认在~/.cache/codebase-memory-mcp/）。
3. 性能：对于一个中等规模的项目（如 Django 示例），整个过程通常在几秒内完成。即使是 Linux 内核（2800 万行代码，7.5 万个文件）也仅需约 3 分钟。

索引完成后，你可以开始询问关于项目结构的问题。

3.2 场景二：查询函数调用链与影响分析

这是最常用的功能之一。你想修改一个函数，但不确定它被谁调用，修改后会产生什么影响。

向 AI 提问：

函数 `processOrder` 被哪些函数调用？它又调用了哪些函数？

或者

展示一下 `UserController.update` 方法的调用链图。

AI 助手的行动：

1. 理解你的问题，将其转化为对trace_path工具的调用，参数可能是{"function_name": "processOrder", "direction": "both"}（both表示同时查找调用者和被调用者）。
2. codebase-memory-mcp 在图谱中执行一个广度优先搜索（BFS），快速找到所有相关的节点和边。
3. 将结构化的结果（例如，一个 JSON 包含节点列表和关系列表）返回给 AI 助手。
4. AI 助手将这些结构化数据组织成清晰易懂的自然语言描述，甚至可能用文本图表展示出来。

对比传统方式：如果没有图谱，AI 可能需要使用grep -r "processOrder" .找到所有出现该字符串的地方，然后逐个文件读取上下文来判断是定义还是调用，这个过程消耗的 Token 可能是图谱查询的数十倍甚至上百倍，且结果可能不完整。

3.3 场景三：搜索与架构概览

当你需要寻找特定模式的代码，或者想快速了解项目整体架构时。

搜索示例：

帮我找到所有名称中包含 `Handler` 的类。

搜索项目中所有进行 HTTP POST 请求的代码位置。

列出所有的 REST API 路由端点。

架构概览：

给我一份这个项目的架构摘要。

AI 助手会调用get_architecture工具，返回一个包含以下信息的结构化摘要：

• 语言分布：项目用了哪些编程语言，各自占比。
• 包/模块结构：主要的包和模块。
• 入口点：主要的类、函数。
• 路由：识别出的 HTTP 路由。
• 热点：根据连接度识别出的核心模块。
• 社区结构：通过 Louvain 算法检测出的功能模块聚类。

这对于快速接手一个陌生项目、进行代码评审或架构评估非常有帮助。

3.4 场景四：基于变更的智能影响分析

你在本地修改了一些代码，但还没提交。你想知道这些改动可能会影响哪些其他部分。

操作：

1. 确保你在项目的 Git 仓库中，并且有未提交的更改。
2. 向 AI 助手提问：

   分析我当前未提交的更改会影响哪些代码。

3. AI 助手调用detect_changes工具。该工具会：
   • 执行git diff获取变更内容。
   • 将变更映射到知识图谱中对应的符号（函数、类等）。
   • 分析“爆炸半径”，识别出哪些其他符号可能会因为这些变更而受到影响（例如，调用了被修改函数的其他函数）。
   • 对影响进行风险分类（高、中、低）。

这相当于一个本地的、基于代码结构的“CI 影响分析”，能在你提交代码前就发现潜在的风险。

3.5 场景五：直接使用 CLI 进行高级查询

除了通过 AI 助手，你也可以直接使用命令行接口（CLI）进行更精细的查询和操作。这对于自动化脚本或深度调试非常有用。

列出所有已索引的项目：

codebase-memory-mcp cli list_projects

使用 Cypher 类查询语言进行复杂查询： Cypher 是图数据库的查询语言，codebase-memory-mcp 支持其一个只读子集。

# 查找所有没有调用者的函数（潜在的死代码） codebase-memory-mcp cli query_graph '{ "query": "MATCH (f:Function) WHERE NOT EXISTS { (f)<-[:CALLS]-() } RETURN f.name, f.file_path LIMIT 10" }' # 查找项目中最“核心”的模块（被依赖最多） codebase-memory-mcp cli query_graph '{ "query": "MATCH (n) WHERE n:Class OR n:Function RETURN n.name, labels(n), size([(n)<--() | 1]) as indegree ORDER BY indegree DESC LIMIT 5" }'

搜索代码片段：

# 首先通过 search_graph 找到函数的全限定名 codebase-memory-mcp cli search_graph '{"name_pattern": "calculate.*", "label": "Function"}' # 假设返回的函数全限定名为 `myproject.src.utils.calculateTotal` # 然后获取其源代码 codebase-memory-mcp cli get_code_snippet '{"qualified_name": "myproject.src.utils.calculateTotal"}'

4. 配置详解与高级用法

要让 codebase-memory-mcp 更贴合你的工作流，需要了解其配置选项和高级功能。

4.1 配置文件与环境变量

codebase-memory-mcp 的配置可以通过命令行config子命令、环境变量和配置文件进行管理。

查看所有配置：

codebase-memory-mcp config list

常用配置项设置：

# 启用会话开始时自动索引新项目 codebase-memory-mcp config set auto_index true # 设置自动索引的文件数量上限（防止意外索引超大目录） codebase-memory-mcp config set auto_index_limit 50000 # 重置某个配置到默认值 codebase-memory-mcp config reset auto_index

环境变量：

• CBM_CACHE_DIR: 覆盖图谱数据库的存储目录。默认是~/.cache/codebase-memory-mcp/。

  export CBM_CACHE_DIR=/path/to/your/cache

• CBM_LOG_LEVEL: 设置日志级别 (debug,info,warn,error,none)。调试时有用。

  export CBM_LOG_LEVEL=debug

• CBM_DIAGNOSTICS: 设置为1或true以启用性能诊断日志，用于排查内存泄漏等问题。

4.2 自定义文件扩展名映射

如果你的项目使用了某些框架特定的文件扩展名（如 Laravel 的.blade.php），你可以通过配置文件告诉 codebase-memory-mcp 如何解析它们。

项目级配置(在项目根目录创建.codebase-memory.json)：

{ "extra_extensions": { ".blade.php": "php", ".vue": "html", // 将 .vue 文件按 HTML 解析（或 javascript） ".svelte": "html" } }

全局配置(适用于所有项目)： 在~/.config/codebase-memory-mcp/config.json(Linux/macOS) 或%APPDATA%\codebase-memory-mcp\config.json(Windows) 中设置。

4.3 团队共享图谱快照

在团队协作中，每个成员都重新索引大型项目是一种浪费。codebase-memory-mcp 支持导出/导入压缩的图谱快照。

导出图谱快照： 当你索引完项目后，可以导出一个压缩的.graph.db.zst文件。

# 在项目根目录执行（此功能通常通过工具调用，CLI可能需特定参数，请查阅最新文档） # 概念上，它会生成 .codebase-memory/graph.db.zst

然后你可以将这个文件提交到代码仓库中。

队友导入图谱快照： 当队友克隆仓库后，首次运行codebase-memory-mcp时，如果检测到.codebase-memory/graph.db.zst文件，它会先导入这个快照，然后只对本地差异进行增量索引，极大加快首次索引速度。

配置 Git 避免合并冲突： 工具会自动在.gitattributes中添加一行，将该二进制文件标记为使用merge=ours策略，避免合并时产生冲突。

.codebase-memory/graph.db.zst binary -text merge=ours

4.4 内置 3D 图谱可视化（UI 版本）

如果你安装的是--ui版本，你可以启动一个本地 Web 服务器来交互式地浏览代码知识图谱。

启动 UI：

codebase-memory-mcp --ui=true --port=9749

然后在浏览器中打开http://localhost:9749。

UI 功能：

• 3D 力导向图：节点（函数、类等）和边（调用、继承等）以三维图形展示。
• 交互探索：点击节点可以查看其属性，高亮显示其连接。
• 搜索与过滤：可以通过名称、标签等搜索节点。
• 多仓库视图：如果索引了多个项目，可以以“多星系”模式查看跨仓库的架构。

这对于架构可视化、向新人讲解代码结构特别有用。

5. 集成指南：支持的主流 AI 编程助手

codebase-memory-mcp 的安装脚本支持自动检测和配置多种流行的 AI 编程助手。了解其集成方式有助于排错和高级定制。

5.1 Claude Code (Desktop App)

这是最原生的集成。安装脚本会自动在~/.claude/.mcp.json中添加服务器配置。此外，它还会安装一个PreToolUse Hook。

Hook 的作用：当你在 Claude Code 中使用Grep或Glob工具搜索代码时，这个 Hook 会被触发。如果搜索的关键词匹配到知识图谱中的符号（如函数名、类名），Hook 会通过search_graph工具获取这些符号的结构化信息，并将其作为additionalContext注入到 AI 的上下文中。这意味着，即使你只是简单搜索，AI 也能同时获得相关的图谱信息，回答更精准。

5.2 Cursor

Cursor 内置了 MCP 支持。安装脚本会尝试在 Cursor 的配置目录中添加 MCP 服务器条目。重启 Cursor 后，它应该能自动发现并使用 codebase-memory-mcp 的工具。

在 Cursor 中，你可以通过/命令来调用 MCP 工具，或者直接以自然语言提问，Cursor 的 AI 会尝试使用合适的工具。

5.3 其他支持的助手

安装脚本还支持自动配置以下助手（如果检测到它们已安装）：

• Codex CLI
• Gemini CLI
• Zed(编辑器)
• OpenCode
• Antigravity
• Aider
• KiloCode
• VS Code(通过mcp插件或配置)
• OpenClaw
• Kiro

对于这些助手，脚本主要会配置 MCP 服务器列表，并为部分助手添加会话开始的提醒指令。

5.4 手动验证集成

如果自动配置失败，或者你想手动检查，可以查看对应助手的配置文件：

• Claude Code:~/.claude/.mcp.json
• Cursor: 配置位置可能因版本而异，通常在其设置或应用数据目录中查找mcp.json。
• 通用检查：在助手的聊天框中输入/mcp或类似命令，查看已注册的服务器列表。

确保配置中command指向的二进制路径是正确的。

6. 常见问题与故障排除

即使工具设计得很健壮，在实际使用中也可能遇到一些问题。这里列出常见问题及解决方法。

6.1 安装与启动问题

6.2 索引与查询问题

6.3 性能与资源问题

诊断日志：如果遇到无法解释的性能问题或疑似内存泄漏，可以启用诊断日志：

export CBM_DIAGNOSTICS=1 # 然后正常启动你的 AI 助手或运行 CLI

日志会写入临时文件（路径会在启动时打印），其中包含内存使用、查询计数等时间序列数据，可用于深入分析。

7. 最佳实践与工程建议

为了在团队和生产环境中稳定、高效地使用 codebase-memory-mcp，遵循以下最佳实践至关重要。

7.1 索引策略与忽略文件

• 精细化.cbmignore：在项目根目录创建.cbmignore文件，语法与.gitignore相同。将以下目录加入忽略列表，可以显著提升索引速度和精度：

  # 构建产物 dist/ build/ out/ target/ *.o *.so *.dll # 依赖包 node_modules/ vendor/ .venv/ __pycache__/ # 生成的文件 *.min.js *.min.css *.log # 测试数据、大文件 *.zip *.tar.gz *.mp4 *.jpg *.png

• 按需索引：不是所有项目都需要索引。对于临时目录、简单的脚本项目，可以不索引。可以通过配置auto_index_limit防止意外索引超大目录。

7.2 团队协作与图谱共享

• 推荐使用团队共享图谱快照：对于稳定的、共享的代码库，由一位团队成员在 CI 或本地索引后，将生成的.codebase-memory/graph.db.zst提交到仓库。其他成员克隆后即可快速获得图谱，只需进行增量索引。
• 处理好.gitattributes：确保.gitattributes中的merge=ours策略生效，避免合并冲突。
• 将.codebase-memory/目录加入.gitignore的例外：如果你决定共享快照，需要确保.gitignore不会忽略这个目录。通常.gitignore中会有.*这样的模式，你需要显式取消忽略：

  # 在 .gitignore 中 .* !.codebase-memory/ !.codebase-memory/graph.db.zst !.gitignore

7.3 与 CI/CD 集成

你可以将 codebase-memory-mcp 集成到 CI 流水线中，用于自动化代码分析。

• 死代码检测：在 PR 检查中，运行 Cypher 查询找出没有调用者的函数，作为清理代码的参考。
• 架构变更检查：结合detect_changes工具，分析 PR 中的代码改动可能影响的范围，并自动评论提示 reviewer。
• 生成架构文档：定期运行get_architecture工具，将输出格式化为 Markdown 或 JSON，作为项目文档的一部分。

示例 CI 步骤（GitHub Actions）：

- name: Install codebase-memory-mcp run: | curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash -s -- --skip-config - name: Index repository and analyze run: | codebase-memory-mcp cli index_repository '{"repo_path": "${{ github.workspace }}"}' # 查找死代码 codebase-memory-mcp cli query_graph '{ "query": "MATCH (f:Function) WHERE NOT EXISTS { (f)<-[:CALLS]-() } RETURN f.name, f.file_path LIMIT 20" }' > dead_code_report.json # 后续步骤：解析报告，决定是否失败或评论

7.4 安全与隐私考量

• 本地处理：重申一次，所有索引和查询都在本地进行，代码不会上传到任何远程服务器。这是其最大的隐私优势。
• 二进制安全：发布前经过 VirusTotal 70+ 引擎扫描和 SLSA Level 3 构建溯源验证。对于极度敏感的环境，你可以从源码编译。
• 缓存位置：图谱数据库默认存储在~/.cache/codebase-memory-mcp/。确保该目录的权限设置正确，特别是在多用户系统上。
• 审计配置：定期检查 AI 助手的 MCP 配置文件，确保没有未经授权的服务器被添加。

7.5 性能调优

• 调整工作线程数：在容器或资源受限的环境中，系统报告的 CPU 核心数可能不准确。可以通过CBM_WORKERS环境变量手动设置索引并行度。

  export CBM_WORKERS=2

• 使用更快的存储：将缓存目录CBM_CACHE_DIR设置在 SSD 上，可以提升查询速度，尤其是对于大型图谱。
• 定期清理：如果不再需要某些项目的索引，可以使用delete_project工具或直接删除~/.cache/codebase-memory-mcp/目录下的对应数据库文件。

codebase-memory-mcp 的出现，标志着 AI 编程助手从“文本交互者”向“代码结构理解者”演进的关键一步。它通过为 AI 提供一张实时、精准的代码地图，解决了大型项目理解中的核心痛点——效率与准确性。将它与 Claude Code、Cursor 等工具结合，你获得的不仅仅是一个更聪明的代码补全工具，而是一个真正能理解项目脉络、进行影响分析、辅助架构设计的编程伙伴。

从今天开始，尝试在你的下一个项目中引入 codebase-memory-mcp。从快速索引一个中等规模的项目开始，体验一下“让 AI 先看地图，再改代码”的高效工作流。当你习惯了这种有“全局视野”的 AI 协作模式后，你会发现，理解和修改代码从未如此轻松。