🔍 code-search-mcp

외부 데몬이 필요 없는 로컬 시맨틱 코드 검색 MCP 서버. LanceDB와 인프로세스 ONNX 임베딩 기반. 정확한 단어만 grep로 찾는 작업은 이제 그만. AI 코딩 어시스턴트가 코드베이스를 의미로 검색할 수 있는 힘을 주세요.

Claude Code, Gemini CLI, Antigravity (agy), Cursor 등에서 macOS, Windows, Linux를 가리지 않고 별도 설정 없이 바로 사용할 수 있습니다.

☕️ 커피숍 앱을 상상해 보세요

바쁜 동네 커피숍을 위한 소프트웨어를 만들고 있다고 상상해 보세요.

코드베이스에 고객이 오트밀크 라테 하나를 추가 주문하고 아침 할인을 받는 상황을 처리하는 파일이 있습니다.

// Apply a 15% promotional deduction if the customer visits before 9 AM
export function calculateEarlyBirdReward(bill: OrderSummary): number {
  if (bill.orderHour < 9) {
    return bill.subtotal * 0.85;
  }
  return bill.subtotal;
}

이제 AI 코딩 어시스턴트(예: Claude Code, Cursor, Gemini CLI)를 열고 이렇게 물어본다고 상상해 보세요:

"아침 음료 할인은 어디서 계산되나요?"

사용 중인 도구가 전통적인 텍스트 검색(예: grep)만 사용한다면, "discount"라는 정확한 단어를 찾습니다.

• calculateEarlyBirdReward 함수를 찾았나요? 아니요.

• 왜 일까요? 코드에는 promotional deduction와 EarlyBirdReward라는 단어가 있었지만, "discount"라는 정확한 단어는 없었기 때문입니다.

바로 여기서 시맨틱 검색이 모든 것을 바꿉니다.

Related MCP server: claude-context-local

🧠 시맨틱 검색이란? (쉽게 설명해 드립니다)

전통적인 검색은 정확한 글자와 단어를 찾습니다.

*시맨틱 검색은 단어 뒤에 숨겨진 의미를 찾습니다.*

작동 방식: 의미의 지도

1. 글자 대신 숫자: AI 모델은 텍스트(또는 코드)를 가져와 임베딩(또는 벡터)이라는 숫자 목록으로 변환합니다.

2. 지도 위의 좌표: 이 숫자들을 인간 개념이라는 거대한 지도의 GPS 좌표라고 생각해 보세요.

   • "discount"와 "promotional deduction"는 지도에서 바로 옆에 위치하게 됩니다.

   • "espresso shot"과 "latte"는 함께 모여 있습니다.

   • "database migration"은 지도 반대편에 멀리 떠 있습니다.

3. 최근접 이웃 찾기: 자연스러운 영어로 질문을 하면 검색 엔진이 그 질문을 좌표로 바꾸고, 지도에서 그 좌표와 가장 가까운 코드 조각을 찾아냅니다.

                  [ Map of Meaning ]

   ☕️ "morning drink discount"   📍 (Your Question)
              │ (Close match!)
              ▼
   🏷 "calculateEarlyBirdReward" 📍 (Your Code)
   
   ─────────────────────────────────────────────
   
   🗄 "sql database migration"   📍 (Far Away - Ignored)

🚀 시맨틱 검색이 AI 코딩에 신의 한수인 이유

AI 코딩 어시스턴트가 수천 개의 파일이 법려 있는 대형 리포지토리에서 작업할 때, 매 프롬프트마다 모든 파일을 읽을 수는 없습니다. 너무 느리고 토큰도 너무 많이 소모됩니다.

그 대신 AI는 관련 있는 1~3개의 파일을 즉시 찾아야합니다.

실제 프로젝트에서 코드베이스는 관련 정보로 가득합니다:

• Markdown 문서 (.md): 아키텍처 결정 기록, API 가이드, 온보딩 문서.

• 코드 주석: 비즈니스 규칙이 왜 존재하는지 설명해 줍니다 (예: // Deduct beans from bean hopper inventory).

• 함수명과 변수명: 라이브러리마다 다를 수 있는 명명 패턴.

시맨틱 검색은 정확한 함수명을 기억하지 못하더라도, 자연어로 하고 싶은 이야기를 마크다운 문서, 주석, 코드 조각에 직접 연결 해줍니다.

🛠 우리가 만든 것: code-search-mcp

기존의 대부분의 시 멘틱 검색 도구는 복잡한 설치가 필요합니다:

• Python 3, 가상 환경, pip 설치하기.

• 외부 백그라운드 데이터베이스 서버(예: ChromaDB)를 네트워크 포트에 띄우기.

• 부팅 시 배터리를 소모하는 시작 데몬(Mac의 LaunchAgents, Windows의 Task Scheduler) 설정하기.

• 데이터베이스 서버가 오프라인이면 작업을 막을 수 있는 Git 훅(pre-commit) 추가하기.

우리는 완전히 다른 것을 원했습니다: 설정 제로. 외부 데몬 제로. 어떤 프로젝트에서든 즉시 동작.

그래서 code-search-mcp — Node.js용 독립형 크로스 플랫폼 Model Context Protocol (MCP) 서버를 만들었습니다.

┌─────────────────────────────────────────────────────────────┐
│                       AI Client                             │
│       (Claude Code / Gemini CLI / Antigravity / Cursor)     │
└──────────────────────────────┬──────────────────────────────┘
                               │ MCP Protocol (JSON-RPC over stdio)
┌──────────────────────────────▼──────────────────────────────┐
│                      code-search-mcp                        │
│                                                             │
│  ┌──────────────────┐  ┌──────────────────┐  ┌───────────┐  │
│  │   Scanner &      │  │  EmbeddingEngine │  │  Watcher  │  │
│  │ Layered Ignores  │  │  (all-MiniLM-L6) │  │(chokidar) │  │
│  └────────┬─────────┘  └────────┬─────────┘  └─────┬─────┘  │
│           │                     │                  │        │
│           └───────────┬─────────┴──────────────────┘        │
│                       ▼                                     │
│              VectorStore (LanceDB)                          │
│        node_modules/.cache/code-search/                     │
└─────────────────────────────────────────────────────────────┘

⚙️ 내부 기술

🔍 내부 동작 방식

1. 인덱싱을 언제 시작할지 어떻게 알까요?

AI 어시스턴트가 시작되면 (예: Claude Code, Antigravity 또는 Gemini CLI) code-search-mcp는표준 입출력(stdio)으로 연결됩니다.

• MCP 서버는 즉시 15ms 미만으로 연결됩니다.

• 백그라운드 워커가 채팅 세션을 차단하지 않고 프로젝트 파일 스캔을 시작합니다.

2. 인덱싱이 완료 전에 검색이 가능한가요? (인덱싱 중의 슈퍼파워)

네! 프로젝트를 연 지 2초 만에 질문하더라도 절대 블로킹되거나 멈추지 않습니다.

지금까지 인덱싱된 파일을 그 자리검색하고, 라이브 진행률 헤더를 제공합니다:

⚠️ [Index status: INDEXING (35% complete - 2,100/6,000 files indexed)]
Results from currently indexed files:

### Match 1: src/drinks/espresso.ts (Lines 12-30) [Score: 54.2%]

3. 첫 실행에는 조금 기다리세요 — 단 한 번뿐입니다! ⏳

5,000개 이상의 파일이 있는 대규모 저장소에서는 로컬 AI 모델이 모든 코드 조각에 대해 처음으로 임베딩을 생성해야 하므로 첫 인덱싱 스캔에 몇 분이 걸립니다.

좋은 소식:

• 이 비용은 단 한 번부 지불합니다: 생성된 벡터들은 저장 저장한 node_modules/.cache/code-search/lancedb/에 영구 저장됩니다.

• 이후 부팅은 즉시: 이후 세션이나 편집기 재시작 시 서버가 15ms 이내에 연결되어 다시 인덱싱하지 않습니다.

• 증분 실시간 업데이트: 코드를 작성하는 동안 리긴 워처가 변경한 단일 파일만 저장 시점에 약 150ms 만에 업데이트합니다.

• 대기 시간 없음: 어시스턴트는 백그라운드에서 이미 인덱싱된 것을 검색하므로 질문도 즉시 시작할 수 있습니다.

4. 인덱스는 어디에 저장되나요?

기본적으로 다음 경로에 저장됩니다.
📁 node_modules/.cache/code-search/lancedb/

왜 node_modules/.cache인가요?

• node_modules는 100% 대부분의 프로젝트에서 Git 무시 대상이 있습니다.

• Git 노이즈 제로: 추적되지 않는 폴더나 원하지 않습니다. 는 리포지토리에 전혀 나타나지 않습니다.

• (프로젝트에 node_modules가 없는 경우 .code-search/로 자동 대체됩니다).

5. Git 브랜치를 전환하면 어떻게 되나요? 🔀

git checkout, git switch 또는 git pull을 실행하면:

1. 실시간 파일 감시: Git이 파일을 업데이트하면 내장 chokidar 워처가 추가/변경/삭제된 파일을 실시간 감지합니다.

2. 빠른 차등 재스캔: 두 브랜치에서 달라진 파일만 다시 인덱싱합니다 (몇 분이 아닌 1–2초).

3. 자동 정리: 삭제된 파일이나 이전 브랜치의 오래된 코드 청크는 LanceDB에서 자동으로 제거합니다.

4. 수동 동기화: 대규모 머지 후 완전 재인덱싱을 강제로 실행하고 싶다면 어시스턴트에게 *"code_search_reindex를 force: true로 실행해 줘"*라고 말하면 됩니다.

⚙️ 설정 및 제외 파일 관리

기본적으로 code-search-mcp는바이너리 파일(.png, .mp4, .zip), 빌드 결과물(dist/, build/), lockfile, 500KB 초과 파일을 자동으로 무시하며 기존 **.gitignore**도 존중합니다.

사용자 설정이나 제외 파일을 추가하고 싶다면 두 가지 방법이 있습니다:

방법 1: .codesearchignore 파일 만들기 (빠르고 간단함)

프로젝트 루트에 표준 gitignore 구문으로 .ignore 파일을 만드세요:

# Ignore mock data and test fixtures
tests/fixtures/**
src/mocks/**

# Ignore auto-generated files
src/models/*.generated.ts
locales/**

방법 2: .code?rc.json 파일 만들기 (고급 설정)

인덱싱 동작, 배치 처리, 파일 크기 제한등을 제어하려면 프로젝트 루트에 .codesearchrc.json 파일을 만드세요:

{
  "maxFileSizeKb": 300,
  "batchSize": 50,
  "customExcludes": [
    "legacy_vendor/**",
    "docs/archive/**"
  ],
  "supportedExtensions": [
    ".ts", ".tsx", ".js", ".vue", ".py", ".md", ".json"
  ]
}

📦 설치 방법

다음 중 원하는 방법 하나로 설치하고 실행할 수 있습니다.

1단계: 설치 방법 선택

방법 A: GitHub에서 npx를 이용해 직접 설치 (설치 거– npm 게시 불 필요!)

어떤 AI 코담 클라이언트든 GitHub 저장소에서 바로 필요한 시점에 실행할 수 있습니다:

npx -y github:your-username/code-search-mcp

(Node가 저장소를 자동으로 다운로드하고 번들을 빌드하여 MCP 서버를 실행합니다.)

방법 B: NPM 레지스트리에서 설치 (npm에 게시한 경우)

패키지를 NPM에 게시했다면:

npx -y code-search-mcp
# or global install:
npm install -g code-search-mcp

방법 C: 로컬 개발 / 로컬 링크 (가장 빠른 로컬 시작)

로컬 소스 디렉터리에서 바로 실행하려면:

cd /path/to/code-search-mcp
npm install
npm run build
npm link

이제 code-search-mcp가 시스템의 글로벌 명령어로 등록됩니다!

2단계: AI 클라이언트에 연결하기

1. Claude Code

# If running via GitHub:
claude mcp add code-search -s user -- npx -y github:your-username/code-search-mcp

# If running locally (linked):
claude mcp add code-search -s user -- code-search-mcp

2. Antigravity CLI (agy)

터미널에서 다음한줄 명령어를 실행하세요:

mkdir -p ~/.gemini/config/plugins/code-search && cat << 'EOF' > ~/.gemini/config/plugins/code-search/plugin.json
{ "name": "code-search" }
EOF
cat << 'EOF' > ~/.gemini/config/plugins/code-search/mcp_config.json
{
  "mcpServers": {
    "code-search": {
      "command": "npx",
      "args": ["-y", "github:your-username/code-search-mcp"]
    }
  }
}
EOF

3. Gemini CLI

~/.gemini/settings.json에 추가하세요:

{
  "mcpServers": {
    "code-search": {
      "command": "npx",
      "args": ["-y", "github:your-username/code-search-mcp"],
      "trust": true
    }
  }
}

4. Cursor / Claude Desktop

.cursor/mcp.json에 추가하세요:

{
  "mcpServers": {
    "code-search": {
      "command": "npx",
      "args": ["-y", "github:your-username/code-search-mcp", "--path", "${workspaceFolder}"]
    }
  }
}

🤖 AI 어시스턴트 가이드 및 도구 참조

여러분이 Claude Code, Gemini CLI, Cursor, Antigravity 또는 Windsurf와 같은 AI 어시스턴트로 이 저장소를 보고 있다면, code-search-mcp가 제공하는 MCP 도구 사용에 대한 퀵 스타트 가이드는 다음과 같습니다:

🛠 제공되는 MCP 도구

🧭 도구 결정 매트릭스: 언제 어느 도구를 사용할까

                       ┌───────────────────────────────────────────────┐
                       │ What are you looking for in the codebase?     │
                       └───────────────────────┬───────────────────────┘
                                               │
           ┌───────────────────────────────────┼───────────────────────────────────┐
           ▼                                   ▼                                   ▼
┌─────────────────────────┐         ┌─────────────────────────┐         ┌─────────────────────────┐
│ Concept / Feature /     │         │ Known Symbol / Callers  │         │ Exact Literal String /  │
│ Business Logic Intent   │         │ & Blast Radius Analysis │         │ Error Code / CSS Class  │
│ (Natural Language)      │         │ (Exact identifier)      │         │ (Exact text match)      │
└──────────┬──────────────┘         └──────────┬──────────────┘         └──────────┬──────────────┘
           ▼                                   ▼                                   ▼
┌─────────────────────────┐         ┌─────────────────────────┐         ┌─────────────────────────┐
│ 🔍 USE: code_search     │         │ 🌳 USE: codegraph       │         │ 🔎 USE: grep_search     │
│ • "where is payment..." │         │ • codegraph_explore     │         │ • "ERR_INVALID_AUTH"    │
│ • "tax calculation..."  │         │ • callers / callees     │         │ • ".btn-primary-blue"   │
└─────────────────────────┘         └─────────────────────────┘         └─────────────────────────┘

💡 AI 에이전트용 프로 팁

1. 순수한 구현 로직에는 codeOnly: true 사용하기: 마크다운 문서나 스킬 가이드를 제외한 순수한 TypeScript/JavaScript 계산 공식을 찾으려면 항상 codeOnly: true를 넘긴다.

2. pathFilter로 서브시스템 범위 좁히기: 사용자가 *"청구 모듈에서 체크아웃이 어떻게 동작하나요?"*라고 물으면 pathFilter: "src/billing"을 넘긴다.

3. 직접 코드 편집 시 줄 번호 사용하기: 코드 조각은 1부터 시작하는 줄 번호(14: export function calculateTotal())와 함께 반환된다. 이 줄 범위를 바로 replace_file_content 또는 view_file에 전달하면 되고, 추측이 필요 없다.

4. 오타 허용 오차: 자연어 그대로 전달해도 된다. 엔진이 <1ms 안에 복수형(stemming)과 오타(Levenshtein correction)를 자동으로 보정한다.

🤝 궁극의 AI 페어: code-search와 codegraph를 함께 설치해야 하는 이유

현대 AI 코딩 어시스턴트는 서로 보완되는 두 도구, 즉 시맨틱 검색(code-search-mcp)과 AST 코드 그래프(codegraph)를 갖출 때 최상으로 동작합니다.

                   ┌─────────────────────────────────────────────────────────┐
                   │  User: "Where is subscription discount handled?"        │
                   └────────────────────────────┬────────────────────────────┘
                                                │
                                                ▼
                   ┌─────────────────────────────────────────────────────────┐
                   │ 1. SEMANTIC SEARCH (code_search)                        │
                   │ • Understands intent, concepts, and natural language     │
                   │ • Finds: subscription-billing.engine.ts (via JSDoc)     │
                   └────────────────────────────┬────────────────────────────┘
                                                │
                                                ▼
                   ┌─────────────────────────────────────────────────────────┐
                   │ 2. AST CODE GRAPH (codegraph_explore)                   │
                   │ • Understands syntax trees, callers, and blast radius   │
                   │ • Traces: callers into legacy LegacyOrderProcessor.js   │
                   │ • Discovers: unit tests (subscription-billing.spec.ts)  │
                   └─────────────────────────────────────────────────────────┘

하나의 도구만으로는 충분하지 않은 이유:

실전 사례 연구: 최신 엔진 vs 레거시 모놀리스

실제 비대규모 테스트에서:

1. **최신 엔진(subscription-billing.engine.ts)**은 명시적인 이름(calculateSubscriptionDiscount)과 잘 정비된 JSDoc 주석을 갖고 있다. code_search는 이 파일을 밀리초 단위로 55% 이상 유사도 일치로 찾는다.

2. **레거시 코어(LegacyOrderProcessor.js)**는 2,000줄짜리 파일에 오래된 용어(getDiscountedTotal, applyOldDeduction)나 틀린 표현을 쓰고 있다. 시맨틱 검색만으로는 점수가 낮게 나올 수 있다.

3. 시너지: code_search가 subscription-billing.engine.ts를 찾으면, codegraph_explore는 즉시 모든 호출자를 LegacyOrderProcessor.js까지 추적하여 추측 없이 관련 단위 테스트에 걸친 영향 범위(blast radius)를 매핑한다.

Recommended Dual Configuration

두 도구를 모두 MCP 구성에 추가하세요:

{
  "mcpServers": {
    "code-search": {
      "command": "node",
      "args": ["/path/to/code-search-mcp/dist/bin/cli.js"]
    },
    "codegraph": {
      "command": "codegraph",
      "args": ["mcp"]
    }
  }
}

📋 권장 어시스턴트 규칙

AI 어시스턴트가 code_search와 codegraph를 자동으로 선택하게 하려면 프로젝트의 인스트럭션 파일(CLAUDE.md, GEMINI.md, .github/copilot-instructions.md 또는 .cursorrules)에 다음 규칙을 임베드해 주세요:

## Code Navigation & Search

1. **CodeGraph (`codegraph_explore`)**: Call FIRST when exploring known symbols, tracking call paths, finding usages, or analyzing blast radius (callers + covering tests).
2. **Semantic Search (`code_search`)**: Call FIRST when looking for features, domain behaviors, or business logic described in natural language (e.g. "where is discount calculated", "checkout suggestions formatted").

🧪 작동 확인하는 법

설치가 끝나면, 아래와 같은 몇 가지 빠른 확인만으로 code-search-mcp가 정상적으로 동작하는지 검증할 수 있습니다.

Check 1: AI 어시스턴트에게 상태 요청

Claude Code, Cursor, Gemini CLI 중 어떤 채팅 세션에서든 다음을 요청하세요:

"Check code_search_status"

예상 출력:

Index Status: READY (or INDEXING)
Progress: 100%
Files: 6,070 / 6,070 indexed
Chunks: 8,204 code chunks in LanceDB

Check 2: 자연어 코드 검색해보기

AI 어시스턴트에게 이렇게 물어보세요:

"고객 할인 규칙이나 보상이 어떻게 처리되는지 code_search로 찾아줘"

예상 출력:

### Match 1: src/rewards/early-bird.ts (Lines 1-18) [Score: 56.4%]

어시스턴트는 정확한 줄 번호와 유사도 점수가 포함된 관련 코드 조각을 즉시 반환합니다.

Check 3: 실시간 파일 와칭을 테스트

1. 프로젝트 안에 특이한 주석을 포함한 새 테스트 파일을 만드세요(예: src/drinks/secret-recipe.ts):

   // Caramel macchiato secret syrup blend formula
   export const caramelBlend = 42;

2. 파일을 저장합니다.

3. 즉시 AI 어시스턴트에게 이렇게 요청하세요:

   "code_search로 비밀 시럽 블렌드 시럽 공식을 검색해 줘"

4. 새 파일은 수동 재빌드나 리스타트 없이 1초 이내에 검색되어 반환됩니다!

Check 4: 자동 테스트 스위트 실행 (선택 사항)

소스에서 개발하는 경우 실행하세요:

npm test

31개의 유닛/통합 테스트가 모두 실행되고 통과하여, MCP 프로토콜 핸드셰이크, ONNX 벡터 생성, LanceDB 스토리지, 와처 생명주기, 단어 stemming, 오타 교정까지 검증합니다.

🛠️ 실제 겪었던 문제와 해결 방법 (쉬운 설명으로)

인간과 AI 코딩 에이전트 모두에게 원활하게 동작하는 검색 엔진을 만드는 과정에서 여러 실질적인 과제를 마주했습니다. 어떤 문제들을 마주했고, 어떻게 해결했는지입니다:

1. 🔤 복수형과 Word endings 트랩 ("marks" vs "Marker")

• 문제: 사용자가 자연스럽게 *"how chart iq uses marks on chart"*라고 입력한다면, 여기에는 복수형 명사 "marks"가 포함되어 있습니다. 그런데 코드에서의 클래스 이름은 CIQ.Marker 또는 markersSample입니다. 일반적인 DB 질의(LIKE '%marks%')는 s가 하나 더 붙어 있기 때문에 Marker를 완전히 놓칩니다.

• 해결 방법: 아주 가벼운 **단어 외음 추출기(스티머)**를 만들었습니다. 흔한 어미(-s, -ing, -ed, -tion, -ers)를 자동으로 덧붙입니다. "marks"를 검색하면 어근 "mark"를 검색하게 되어, 실시간으로 0ms 오버헤드로 CIQ.Marker, markAxis, markersSample를 찾을 수 있습니다.

2. ✍️ 오타 트랩 ("calcualte mrgin shortsfall")

• 문제: 사람들은 채팅에서 빨리 입력하며 오타를 냅니다(예: margin 대신 mrgin, calculate 대신 calcualte처럼). 단어에 오타가 있으면 전통적인 키워드 검색은 100% 실패합니다.

• 해결 방법: 인-메모리 어휘 사전 + Levenshtein 오타 보정기를 만들었습니다. 파일을 인덱싱하는 동안 엔진은 저장소 안에 등장하는 모든 실제 변수명, 클래스명, 용어를 사전에 모아 놓습니다. 오타가 있는 쿼리를 확인하면 이 사전을 참조하여 <1ms 이내에 오타를 교정해 준 다음 검색합니다.

3. 🤖 AI 에이전트를 위해 줄 번호가 친 코드블록

• 문제: 검색 결과의 헤더에는 Lines 10-50와 같이 줄 범위가 있지만, 그 안은 실제 코드에는 나란의 줄 번호가 없었습니다. Claude Code, Gemini CLI, Antigravity 같은 AI 코딩 에이전트가 특정 줄을 편집하거나 인용하려면 줄을 하나 하나 세거나 어긋난 이동값을 추측해야 했습니다.

• 해결 방법: 이제 검색 결과에 나오는 코드 조각 안의 모드는 항상 실제 1부터 시작하는 줄 번호가 앞에 붙습니다(10: export class ...). AI 에이전트는 이정확한 줄 번호를 추가 파일을 열지 않고도 편집 도구에 전달할 수 있습니다.

4. 📚 순수 코드 검색에서 문서가 노이즈가 될 때

• 문제: "통화 형식을 어떻게 맞나요" 같은 넓은 개념을 검색할 때, 대규모 마크다운 스킬 파일과 아키텍처 가이드가 오히려 실제 .ts 유틸 함수보다 높은 순위에 걸리는 경우가 있었습니다. 마크다운 문서에 얘기형 영어가 많기 때문입니다.

• 해결 방법:

  1. 검색 필터를 추가했습니다: codeOnly: true(마크다운/문서 무시), pathFilter: "src/...", 그리고 language.

  2. 정적 JSON 사전 파일의 가중치를 낮춰서 핵심 TypeScript/JavaScript 로직이 항상 1순위로 오도록 만들었습니다.

5. 🔁 결과 넘침(한 큰 파일이 검색 결과 도배)

• 문제: 넓은 주제를 검색하면 3,000줄짜리 파일 하나가 여러 번 매칭되어 10개 결과 슬롯을 다 차지하면서, 더 작고 깔끔한 헬퍼 파일의 검색 결과를 가려 버렸습니다.

• 해결 방법: 파일당 결과 다양성을 추가했습니다. 엔진은 파일당 최대 2개의 상위 점수 청크만 반환하므로, 서로 다른 코드 영역에서 고르게 결과를 받게 됩니다.

6. ⚡ 빠른 저장 시 두 개의 DB 잠금 충돌

• 문제: 브랜치를 스위치하거나 여러 파일을 연달아 저장할 때, LanceDB에 대한 여러 쓰기가 동시에 일어나면 버전충돌(Cow 버전) 오류가 발생할 수 있었습니다.

• 해결 방법: 지수 백오프(exponential backoff)처럼 쓰기 대기열을 추가했습니다. 쓰기 충돌이 발생하면 수 미리초 동안 자동으로 대기한 다음 서버가 중단되지 않도록 안전하게 재시도하게 됩니다.

💡 요약

프로세스 내 ONNX 임베딩 및 임베디드 LanceDB, 스마트 토크 보강, 그리고 **Model Context Protocol (MCP)**을 결합하여 로우컬 시맨틱 검색이 지니던 번거로움을 제거했습니다:

• ✅ 내 노트북 위에서 백그라운드 데몬이 돌지 않습니다.

• ✅ Python/ChromaDB 의존성이 없습니다.

• ✅ Git 노이즈 노출이 없습니다(node_modules/.cache 에 저장).

• ✅ 오타&단어 패턴 변화를 1ms 안에 자동 제공합니다.

• ✅ 자연어 질문을 내가 필요한 코드와 마크다운 정확히 연결해 주는 뜻 기반 검색이 즉시 이루어집니다.

행복한 코딩 되세요! ☕️🚀