ontomics

ontomics предоставляет Claude Code мгновенные знания о вашей кодовой базе. Один вызов инструмента вместо 19. Примерно в 20 раз меньше токенов.

Бенчмарк

Протестировано с Claude Sonnet — один и тот же вопрос, с ontomics и без него.

«Что означает 'transform' в этой кодовой базе?» в voxelmorph (полная расшифровка):

«Каковы основные предметные концепции в этой кодовой базе?» в ScribblePrompt (полная расшифровка):

В обоих случаях были получены полные и правильные ответы. ontomics справился за один вызов.

Related MCP server: Code-Index-MCP

Что он делает, чего не может поиск

Поиск показывает, где встречается строка. LSP показывает, где определен и используется символ. Ни то, ни другое не отвечает на вопросы: каковы предметные концепции в этой кодовой базе? Как они связаны? Какие соглашения об именовании сложились? Что изменилось в предметном словаре с момента последнего релиза? Какие функции ведут себя схожим образом, независимо от их названия?

ontomics создает семантический индекс предметной области вашего проекта — группирует связанные символы в концепции, обнаруживает соглашения об именовании на основе частоты использования, разрешает аббревиатуры, группирует функции по поведенческому сходству и отслеживает эволюцию словаря с течением времени. Этот индекс можно экспортировать как переносимый артефакт для внедрения соглашений в другие репозитории.

Поведенческое сходство

Помимо именования и концепций, ontomics встраивает (embeds) тела функций, используя CodeRankEmbed (768-размерное, контрастное извлечение кода), и кластеризует их по поведенческому сходству. Это выявляет связи, которые не обнаруживаются ни именованием, ни графами вызовов:

❯ What functions behave like spatial_transform()?

  random_transform()   nn/functional.py:352   0.80
  spatial_transform()  functional.py:596      0.69
  random_transform()   functional.py:1399     0.67
  random_disp()        nn/functional.py:275   0.65
  integrate_disp()     functional.py:764      0.65
  compose()            nn/functional.py:216   0.63
  disp_to_trf()        functional.py:343      0.62

Результат также показывает, что random_transform встречается в двух местах с разными показателями сходства — это признак дублирования реализации, который поиск на уровне концепций полностью упустил бы.

Установка

Установите один раз, доступно в каждом проекте. Конфигурация не требуется — ontomics автоматически обнаруживает репозиторий и индексирует его при первом запуске.

ontomics требует наличия git-репозитория (директория .git/). Он откажется индексировать домашние, корневые или временные директории. Чтобы проиндексировать директорию без git, используйте --force.

1. Установка бинарного файла

npm (macOS/Linux):

npm install -g @ontomics/ontomics

macOS (Homebrew):

brew install EtienneChollet/tap/ontomics

Shell-установщик (macOS/Linux):

curl --proto '=https' --tlsv1.2 -LsSf https://github.com/EtienneChollet/ontomics/releases/latest/download/ontomics-installer.sh | sh

Из исходного кода:

git clone https://github.com/EtienneChollet/ontomics.git
cd ontomics
cargo build --release

2. Регистрация в вашей среде

Claude Code:

claude mcp add -s user ontomics -- ontomics

Codex:

codex mcp add ontomics -- ontomics

OpenClaw:

openclaw mcp set ontomics '{"command":"ontomics"}'

pi-coding-agent:

pi install npm:@ontomics/ontomics

Поделитесь с командой — добавьте .mcp.json в корень вашего репозитория:

{
  "mcpServers": {
    "ontomics": {
      "command": "npx",
      "args": ["-y", "@ontomics/ontomics", "--repo", "."]
    }
  }
}

Поддерживаемые языки

Python, TypeScript, JavaScript, Rust. Автоматическое определение по расширениям файлов.

Инструменты

Концепции и словарь

Поведенческое сходство

Структура кодовой базы

Ресурсы

Как это работает

ontomics запускает многоэтапный конвейер полностью на вашей машине — ключи API не требуются:

1. Парсинг — tree-sitter извлекает каждый идентификатор, сигнатуру и место вызова из ваших исходных файлов

2. Анализ — TF-IDF оценка определяет предметно-ориентированные концепции и обнаруживает соглашения об именовании

3. Эмбеддинг (концепции) — BGE-small (384-размерное) кластеризует связанные концепции по семантическому сходству

4. Эмбеддинг (логика) — CodeRankEmbed (768-размерное) встраивает тела функций и кластеризует их по поведенческому сходству

5. Центральность — PageRank оценивает сущности по структурной важности

Обе модели эмбеддингов загружаются один раз при первом запуске и кэшируются локально. Индекс находится в <repo>/.ontomics/index.db — последующие запуски загружаются из кэша и отслеживают изменения файлов.

Конфигурация через .ontomics/config.toml в корне репозитория. Все поля имеют разумные значения по умолчанию. См. SPEC.md для полного описания дизайна.