CodeMunch Pro

Intelligenter MCP-Server für Code-Indexierung. 15 Tools, 10 Sprachen, tree-sitter-AST-Extraktion, hybride Suche (FTS5 + Vektor), Call-Graphen, Remote-Repo-Indizierung, inkrementelle Indizierung.

Sparen Sie 99 % Tokens — erhalten Sie den exakten Funktionsquellcode per Byte-Offset-Seek, anstatt ganze Dateien zu lesen.

Installation

pip install codemunch-pro

Related MCP server: RTFM

Schnellstart

Claude Desktop / Cline

Fügen Sie Folgendes zu Ihrer MCP-Client-Konfiguration hinzu:

{
  "mcpServers": {
    "codemunch-pro": {
      "command": "codemunch-pro"
    }
  }
}

HTTP-Server

codemunch-pro --transport streamable-http --port 5002

15 MCP-Tools

10 Sprachen

Python, JavaScript, TypeScript, Go, Rust, Java, C, C++, C#, Ruby

Alles über tree-sitter-language-pack — keine Kompilierung, vorkompilierte Binärdateien.

Hauptfunktionen

O(1)-Symbolabruf

Jedes Symbol speichert seinen Byte-Offset und seine Länge. get_symbol springt direkt zum Funktionsquellcode — ohne ganze Dateien zu lesen. Eine 200-Byte-Funktion aus einer 40-KB-Datei bedeutet 99,5 % Token-Ersparnis.

Inkrementelle Indizierung

Dateien werden gehasht (SHA-256). Nur geänderte Dateien werden erneut geparst. Die Neuindizierung eines Repositorys mit 10.000 Dateien nach dem Ändern einer Datei dauert Millisekunden.

Hybride Suche (FTS5 + Vektor)

Kombiniert BM25-Keyword-Matching mit semantischer Vektorähnlichkeit mithilfe von Reciprocal Rank Fusion. Suchen Sie nach „Authentifizierungs-Middleware“ und finden Sie auth_middleware, verify_token und login_handler.

Call-Graphen

Verfolgt Funktionsaufrufe durch das AST. get_callees("main") zeigt, was main aufruft. get_callers("authenticate") zeigt, wer authenticate aufruft. Unterstützt Tiefendurchlauf.

Remote-Repo-Indizierung (v1.1)

Indiziert jedes öffentliche GitHub- oder GitLab-Repo per URL — kein git-Binary erforderlich. Lädt das Tarball über die API herunter, entpackt und indiziert es. Wird lokal mit SHA-basierten Aktualitätsprüfungen zwischengespeichert. Unterstützt private Repos mit Auth-Tokens und Sparse-Pfaden.

Volltext-Inhaltssuche

Durchsucht rohe Dateiinhalte — String-Literale, TODO-Kommentare, Konfigurationswerte, Fehlermeldungen. Nicht nur Symbolnamen.

So funktioniert es

1. Parsen — tree-sitter erstellt für jede Quelldatei einen AST

2. Extrahieren — AST durchgehen, um Funktionen, Klassen, Methoden, Typen und Interfaces zu finden

3. Speichern — SQLite-Datenbank pro Repo mit FTS5-Virtualtabellen

4. Einbetten — FastEmbed (ONNX, nur CPU) erzeugt 384-dimensionale Vektoren für die semantische Suche

5. Graph — Aufrufausdrücke werden aus Funktionsrümpfen extrahiert, Kanten gespeichert und aufgelöst

6. Bereitstellen — FastMCP stellt 13 Tools über stdio oder HTTP bereit

~/.codemunch-pro/
├── myproject_a1b2c3d4e5f6.db    # Per-repo SQLite database
├── otherproject_7890abcdef.db
└── ...

Each DB contains:
├── files          # Indexed files with SHA-256 hashes
├── symbols        # Functions, classes, methods, types
├── symbols_fts    # FTS5 full-text search index
├── symbols_vec    # sqlite-vec 384-dim vector index
├── call_edges     # Call graph (caller → callee)
└── file_content_fts  # Raw file content search

Anwendungsfälle

• KI-Coding-Agenten: Gewähren Sie Ihrem Agenten gezielten Zugriff auf Codebasen, ohne Kontext zu verschwenden

• Code-Review: Finden Sie alle Aufrufer einer Funktion, bevor Sie deren Signatur ändern

• Onboarding: Symbole semantisch durchsuchen — „Wo ist die Fehlerbehandlung?“ findet relevanten Code

• Refactoring: Call-Graphen erfassen, bevor Sie Funktionen zwischen Modulen verschieben

• Dokumentation: Alle öffentlichen APIs mit Signaturen und Docstrings extrahieren

Lizenz

MIT