codebase-memory
Allows GitHub Copilot in Agent mode to search the codebase semantically, analyze code quality, and access project memory through the codebase-memory MCP server.
Enables Hermes agents to use codebase-memory tools for semantic indexing, hybrid search, and clean code analysis to enhance code understanding.
Supports JetBrains IDEs to connect the codebase-memory MCP server via Copilot, enabling semantic code search and analysis within the IDE.
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
codebase-memory
Serveur MCP de mémoire de codebase : index sémantique + analyse "clean code", 100 % local, pensé pour être scalable à des machines modestes.
Ce que ça fait
Indexation : découpe un dépôt en chunks (AST pour Python, structurel sinon), les plonge en embeddings (fastembed ONNX par défaut — CPU, portable ; backend llama.cpp GPU en option), et les stocke dans un SQLite unique (FTS5 + BLOBs).
Recherche hybride : fusion RRF entre BM25 (FTS5) et cosinus sémantique.
Analyse clean code : règles statiques (complexité cyclomatique, longueur, TODO, exceptions avalées, duplicats…) + revue LLM (Hermes 4 14B via llama.cpp, ou Gemma 2B via OpenVINO GenAI en fallback CPU léger).
Mémoire de conventions : notes projet retrievables sémantiquement.
Related MCP server: mcp-context
Démarrage rapide
cd D:\codebase-memory
uv sync # installe les dépendances
uv sync --extra openvino # + fallback Gemma 2B OpenVINO
uv run codebase-memory index D:\mon\repo # CLI
uv run python -m codebase_memory # serveur MCP (stdio)Plug dans Hermes
# ~/.hermes/config.yaml (clé mcp_servers)
mcp_servers:
codebase-memory:
command: "D:\\codebase-memory\\.venv\\Scripts\\python.exe"
args: ["-m", "codebase_memory"]
env:
CODEBASE_MEMORY_EMBED_BACKEND: "fastembed"
CODEBASE_MEMORY_LLM_BACKEND: "openvino"
CODEBASE_MEMORY_OV_MODEL_DIR: "D:\\gemma-2b-int4-ov"
timeout: 300Outils exposés : mcp_codebase_memory_index_codebase, search_code,
analyze_code, remember_note, recall_notes, memory_status.
GitHub Copilot (VS Code)
Copilot Chat / Agent mode sait consommer des serveurs MCP. Dans le workspace
que tu veux analyser, crée .vscode/mcp.json (copie de
.vscode/mcp.json.example fourni dans ce repo) :
{
"servers": {
"codebase-memory": {
"type": "stdio",
"command": "uv",
"args": ["run", "python", "-m", "codebase_memory"],
"cwd": "${workspaceFolder}/../codebase-memory"
}
}
}Ajuste
cwd: chemin du clone decodebase-memory(ou clone-le dans le workspace).Recharge VS Code (Reload Window) puis accepte la connexion MCP quand Copilot le propose (onglet Copilot → section "MCP" pour vérifier que le serveur est vert).
Indexe d'abord le code :
uv run codebase-memory index "C:/chemin/de/ton/workspace".Ensuite, en Agent mode : "cherche où les patches WSI sont extraits", "analyse la qualité de ce fichier" → Copilot appelle
mcp_codebase_memory_search_code/analyze_code.
Notes : les outils MCP ne sont utilisables que dans Chat / Agent mode (pas en complétion classique). JetBrains (2025.2+) sait aussi brancher des serveurs MCP pour Copilot (Settings → Tools → MCP Servers).
Installation sur une autre machine
git clone https://github.com/H-Gelender/codebase-memory
cd codebase-memory
uv sync # dépendances de base (fastembed ONNX, mcp, radon)
uv sync --extra openvino # + fallback Gemma 2B OpenVINO (optionnel)
uv run codebase-memory index "C:/chemin/de/mon/repo" # 1er run : télécharge bge-small (~130 Mo)
uv run codebase-memory search "comment X est implémenté"
uv run codebase-memory analyze "src/module.py"
uv run python -m codebase_memory # serveur MCP (stdio) pour Hermes / CopilotWindows + Smart App Control : si le python.exe du venv est bloqué (erreur
4551), base le venv sur un interpréteur déjà autorisé et remplace
python.exe/pythonw.exe par des hardlinks (recette détaillée dans le skill
Hermes hermes-agent → native-mcp.md).
Configuration par variables d'environnement (CODEBASE_MEMORY_*) : voir
src/codebase_memory/config.py (backends embedding/LLM, chemins, seuils).
R&D
Hypothèses, design et résultats de benchmarks : docs/RND_BRIEF.md.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
Shared memory MCP server for Claude Code, Codex, Gemini CLI and Cursor. Cited, editable.
Self-hosted AI workspace: semantic RAG document search, long-term memory, and AI chat via MCP.
Team memory for AI coding agents and code reviews, reviewed by humans and served over MCP.
Related MCP Servers
- AlicenseAqualityBmaintenanceNexus-MCP is a local MCP server for coding agents. Hybrid code search and a call graph for 10 languages give the agent the right code in one call, so it reads less. No API key, no telemetry, MIT. * 95% fewer tokens to reach the right file * About 9× faster search than Grep and Read * Live Claude Code runs on 11 repos: cost per task lower on 8 of 115175 PyPIMIT
- FlicenseNot gradedqualityDmaintenanceLocal MCP server that provides semantic search (RAG) over code repositories, enabling AI clients like Claude and Gemini to access project context without manual re-upload.-
- AlicenseAqualityBmaintenanceLocal MCP server for semantic code search using Tree-sitter AST parsing, local embeddings, and hybrid search; enables indexing and querying codebases entirely offline.7MIT
- AlicenseAqualityDmaintenanceLocal-first MCP server for semantic + keyword hybrid code search. Zero external services, no API keys required.2MIT