ContextTree MCP

:# ContextTree MCP 🌳

Tiefgehende semantische Codesuche für KI-Coding-Assistenten – unterstützt durch AST-Parsing und lokale Embeddings. 100 % offline.

ContextTree MCP ist ein lokaler Model Context Protocol-Server, der deinem KI-Coding-Assistenten strukturelles Verständnis einer Codebasis verleiht. Er verbindet zwei Welten:

• tree-sitter zerlegt Quelldateien in einen AST und extrahiert logische Blöcke – Funktionen, Methoden und Klassensignaturen samt Docstrings.

• sentence-transformers (all-MiniLM-L6-v2) bettet jeden Block – angereichert mit Dateipfad, Klassname, Methodenname und Docstring – in einen lokalen ChromaDB-Vektor-Store ein.

Das Ergebnis: Dein Assistent findet Code über die Bedeutung statt über Stichwörter, und jeder Suchtreffer enthält exakte Dateipfade und Zeilennummern.

🔒 Privatsphäre zuerst. Alles läuft auf deiner Maschine: Parsing, Embedding-Modell, Vektorindex. Keine Cloud-Aufrufe, keine Telemetrie, kein Code verlässt je den Rechner, auf dem er lebt.

Warum nicht einfache Textsuche?

grep und Volltextsuche gleichen Zeichenketten ab. Sie scheitern genau dort, wo Entwicklerinnen am häufigsten Hilfe brauchen:

Related MCP server: CodeGrok MCP

Funktionen

• 🌲 AST-basiertes Chunking – indiziert Funktionen, Methoden und Klassensignaturen via tree-sitter, nicht nach willkürlichen Textfenstern.

• 🧩 Kontext-angereicherte logische Blöcke – jedes indizierte Dokument enthält Dateipfad, zugehörige Klasse, Methodenname, Docstring und Rumpf eingebettet; so landen Abfragen wie „Zahlungswiederholungslogik“ direkt bei der richtigen Methode.

• ⚡ Inkrementelle Indizierung – SHA-256-Inhaltshashes pro Datei; nur geänderte/neue/gelöschte Dateien werden neu verarbeitet.

• 🔍 Semantische Suche – natürliche Sprachabfrage → rankierte Code-Fragmente mit exakten Zeilenbereichen.

• 📞 AST-Aufrufsuche – findet echte Aufrufstellen jedes Symbols (Funktion oder Klasse) und filtert Fehlalarme wie String-Literale oder Kommentare heraus.

• 🗄️ Persistenter lokaler Index – ChromaDB liegt in .chroma/, übersteht Neustarts und wird nie in Git eingecheckt.

• 🔌 Stdio-MCP-Transport – funktioniert mit Claude Desktop, OpenCode, Cursor, Cline oder jedem anderen MCP-kompatiblen Client.

Technologie-Stack

Installation

Erforderlich ist Python 3.12+. uv wird als schneller, moderner Paketmanager empfohlen:

git clone https://github.com/<your-org>/mcp-context-tree.git
cd mcp-context-tree

# Option A — uv (recommended): resolves dependencies from pyproject.toml, locks uv.lock
uv sync

# Option B — classic pip + venv
python -m venv venv && source venv/bin/activate   # Windows: venv\Scripts\activate
pip install -r requirements.txt

💡 Beim ersten Start wird das Einbettungsmodell (ca. 90 MB) heruntergeladen. PyTorch wird als Abhängigkeit von sentence-transformers installiert; die CPU-Variante reicht aus – keine GPU erforderlich.

Registrierung bei einem MCP-Client

Beispielkonfiguration (Claude Desktop / jeder Client mit Stdio-Unterstützung):

{
  "mcpServers": {
    "context-tree": {
      "command": "<path-to-venv>/bin/python",
      "args": ["-m", "context_tree"],
      "env": {}
    }
  }
}

(Unter Windows <path-to-venv>\Scripts\python.exe verwenden.)

Tools für den Assistenten

Typischer Arbeitsablauf:

1. index_workspace("D:/projects/my-app")
2. semantic_search("where do we handle payment retries", limit=8)
3. find_ast_usages("PaymentGateway.retry")

Unterstützte Sprachen

Dokumentation

• 🏛️ ARCHITECTURE.md – Projektstruktur, ChromaDB-Datenschema, AST-Extraktionslogik, Entwurf der inkrementellen Indizierung.

• 🇷🇺 README.ru.md – Dokumentation auf Russisch.

Roadmap

• Watch-Modus – automatische Neuindizierung bei Dateiänderungen (FS-Watcher)

• Weitere Sprachen via tree-sitter-Bindings

• Hybride Suche (BM25 + Vektor-Reranking)

• Aufrufgraph-basiertes Ranglistung („Wer ruft das?“)

• PyPI-Veröffentlichung (context-tree-mcp)

Mitwirken

Alle und PRs sind willkommen. Bitte halte Änderungen mit ARCHITECTURE.md konsistent.

Lizenz

MIT – siehe LICENSE.