cie —— 唯一知道哪些任务和测试真正实现了你的代码的代码图谱。

[(LICENSE) ![Python 3.10+](https://img.shields.io/badge/python-3.10+-blue.svg

Code Insight Engine. 在所考察过的代码图谱工具中，没有其他工具能用一个查询回答“哪些文件实现了这个任务，它们是否经过了测试？”——它们全都只是纯检索。cie 可以，因为任务/QA 可追溯性与代码位于同一张图谱中。它还能扩展到没有 LSP、也没有 tree-sitter 语法的语言（已在 Nirdosha —— 一种从零编写的语言 —— 上得到验证，仅通过编译器自身的 AST 转储而已）。

以上每一行都是针对 psf/requests 真实克隆体的真实命令（52k+ stars，不是本项目自己的代码）——先是 cie index .，然后一个真实的 MCP stdio 客户端在一个运行中的 cie-mcp --embedded 服务器上调用 callers("close")。你可以自行复现：scripts/record_demo.sh。完整方法论（包括这个精确查询在哪些地方解析不足——6 个真实调用点中只解析出 3 个，这是一个没有隐藏的真实缺口）见 docs/benchmarks-requests.md。

一个真实数字，针对一个真实的 36 文件代码库实测（完整方法论见 docs/benchmarks.md，包括一个它没有帮助的案例）：解析一个歧义函数名的所有真实调用方只需 1 次 cie 工具调用（callers()，它返回的每个结果构造上就是正确的），而仅用 grep 需要 3 次（1 次 grep + 2 次读取来消歧，仍然不能保证正确）。并非每个任务都适合图谱——同一份文档诚实地报告了一次平局和一次真实的失败，而不只是胜利——并且在第二个独立的公共仓库（psf/requests，不是本项目自己的代码）上重新运行于 docs/benchmarks-requests.md，该规律在一个真实的胜利中成立（一个 1,184 行的文件骨架化后只有原始大小的 43%），同时也暴露出一个真实的失败（同样的歧义调用方查询在那个仓库上只解析出 6 个真实调用点中的 3 个）——发布是因为它是真实的，而不是为了好看而调整过的。

**第二个经过实测而非臆断的钩子：**cie 提供 ~121 个可供 LLM 调用的工具——不是那种让模型不得不临时凑合出变通方案的通用“运行任意代码”表面，而是具体的工具（callers、file_skeleton、traceability_orphans...），让模型可以直接表达意图。一个显而易见的担忧是：工具越多，选错工具的机会就越多——我们测试了这一点，而不是想当然：一个全新的 agent，面对 cie 的真实工具列表外加 14 个特意挑选得容易混淆的任务（仅 cie 就有 5 个名称带 “coverage” 的工具），在完整的 81 个工具表面上选出了完全正确的工具 14/14——与它在 14 个工具子集上得到的结果完全相同。只跑了一次，相关文档中列出了真实的注意事项——但“工具越多，越容易搞砸”的担忧在真正检查时并未成立。

用两条命令即可试用，无需服务器，无需注册——将项目索引到本地 SQLite 文件，然后把它提供给 Claude Code、Cursor 或任何 MCP 客户端，包括任务/QA 可追溯性。如果想要真正的团队/多项目设置，也可以将它指向 Neo4j（每种模式下包含什么，请参见下面的 Quickstart）。

完整对比 CodeGraph、CodeGraphContext、Serena 及其他工具，请参见 docs/competitive-landscape.md，包括 cie 在某些方面诚实地落后于它们的地方。

Quickstart（零配置，无需 Neo4j）

pip install "cie[mcp]"
cie index /path/to/your/project
cie-mcp /path/to/your/project --embedded

这是一个基于 stdio 的 MCP 服务器——你可以像添加任何其他本地 MCP 服务器一样，把它添加到 Claude Code / Cursor / Codex / 任何 MCP 客户端，然后它就能针对你项目的真实调用图调用 search_symbol、callers、callees、file_skeleton、path_between 以及 cie.tools.ToolService 中的其他一切工具，索引本地存储在 .cie/graph.db。

如果你希望连接的客户端只能看到只读工具，可以使用 --policy inspector（只读）——参见 cie/tool_policy.py。任务/QA 跟踪在这里也同样可用，由第二个本地 SQLite 文件（.cie/tasks.db，通过 cie.embedded_task_repository.EmbeddedTaskRepository）支撑——如果你宁愿跳过创建它，就向 cie-mcp 传入 --no-task-tracking。

完整的拆解（结构提取、~121 个工具、任务/QA 层）请参见下方的“它是什么——三层结构”。

Related MCP server: AtlasMemory

安装

pip install cie             # core: graph, tools, task/hierarchy layer over Neo4j
pip install "cie[mcp]"      # + the MCP server (cie-mcp) — what most people want
pip install "cie[http]"     # + the HTTP tool-mount / mock server (cie/routes.py)

核心依赖（pyproject.toml）：Neo4j 驱动、Pydantic v2、tree-sitter（+ Python/JS/TS/Java/Go/Rust 语法）、watchdog、Click、Rich。需要 Python ≥ 3.10。只有 routes.py / mock_server.py 引入 FastAPI/uvicorn（[htp] 额外依赖）；只有 mcp_server.py 引入 MCP SDK（[map] 额外依赖）。查询引擎、提取、任务/层级仓库以及 ToolService 本身完全没有 HTTP 依赖。

它是什么——三层结构

• 通用代码图谱。 通过可插拔的 LanguageAdapters 进行结构化提取（符号、调用图、导入、继承、测试链接）——开箱即用地支持 Python / JavaScript / TypeScript / Java / Go / Rust 的 tree-sitter（Go/Rust：函数+方法提取、签名、接收者/实现方法的调用解析；这两者的导入边提取和 docstring 是有文档记载的缺口——参见 cie/extract.py 的模块 docstring）；通过 cie.lang_adapter.register_adapter 或 cie.language_adaters 入口点组，可以为你自己的任何其他语言添加适配器（包装编译器自己的 AST 转储、LSP 服务器或 tree-sitter 语法），无需对本包做任何代码更改。

• ~121 个可供 LLM 调用的工具（cie.tools.ToolService，以 1:1 的方式暴露为 MCP 工具和 POST /tools/{tool} 端点）——符号搜索、调用图遍历、克隆/社区/漂移检测、质量报告、测试智能、可追溯性、置信度评分、分解、APM，以及一个受限的虚拟文件系统（view_file/write_file/edit_file/delete_file/write_files_atomic），全部自描述（ToolService.describe()），可暴露为类型化的 JSON-Schema 工具定义（cie.tool_schema），支持按智能体类型授权（cie.tool_policy），并可通过真正的 Model Context Protocol（cie.mcp_server、cie-mcp）提供服务。

• 任务 / PRD 层级结构层（cie.task_repository、cie.hierarchy），用于跟踪原子化的开发/QA 任务以及（可选）项目的 PRD 分解树。任务/QA 的 CRUD 和可追溯性（cie.task_repository.TaskRepository —— 推送/列表/状态、依赖遍历、覆盖率/循环/API 契约验证）也零配置可用，通过 cie.embedded_task_repository.EmbeddedTaskRepository（SQLite，.cie/tasks.db；向 build_tool_service_embedded 传入 task_tracking=False，或向 cie-mcp 传入 --no-task-tracking，可以改用 cie.embedded_repository.NullTaskRepository 的快速失败行为）。独立的 PRD 分解树（cie.hierarchy、prd_coverage/prd_orphans/prd_traceability_chain）仍然仅支持 Neo4j——无论哪个后端构建了 ToolService，这三个工具都会直接调用 cie.factory.get_hierarchy_repo。

能力（有代码支撑）

cie/ 包有 ~28k 行，分布在 ~60 个模块中。能力表面与代码在自己的模块 docstring 中所记载的规范章节一一对应。下面没有任何一项是愿景——每一项都是一个真实模块，并且在注明的地方，是 ToolService / CLI / HTTP 路由上的一个真实工具。

两遍代码图谱提取与加载（extract.py、callgraph.py、testlink.py）

• 第 1 遍（extract.py）：用 tree-sitter 解析每个受支持的文件，得到文件/类/函数/方法 Nodes，带有 signature、line_start/line_end、docstring，以及第 2 遍所需的原始输入——imports 和 call_sites。纯解析：没有数据库/文件系统副作用。

• 第 2 遍（callgraph.py）：将调用点解析为带置信度标签的 calls 边——EXTRACTED（同一文件中的定义或通过导入映射解析）、INFERRED（接收者类型启发式）或 AMBIGUOUS（整个项目中恰好有一个同名符号）。同时解析 inheritance/extends 边，并为无法解析的基类合成 external:: 桩节点。

• testlink.py：第三遍，通过三种启发式方法，从测试符号到它们所测试的实现符号生成 TESTS 边——命名约定（test_foo → foo）、当命名匹配得到真实 calls 边支持时进行置信度升级，以及 @patch(...)/@mock.patch(...) 装饰器解析。

• 加载器：cie load <dirs> --project <name>（Neo4j，完整替换一个项目的节点）和 cie index <path>（嵌入式 SQLite，零配置）。reindex / reindex_file 用于补丁后的增量单文件刷新；watch 用于文件系统驱动的自动重新索引（watchdog）。

核心数据模型（models.py、repository.py、neo4j_repository.py、in_memory_repository.py、embedded_repository.py）

• NodeKind 涵盖结构种类（FILE/CLASS/FUNC/METHOD/SYMBOL） 以及所有分析结果种类——CloneCluster、AntiPattern、 DriftFinding、MetricSnapshot、CommunitySummary、Type、Package、Document、 Contract、TestSkeleton、StateMachine、State、Transition、AgentVerdict、 ConfidenceReport、JustificationTrace、InvariantViolation、 SemanticDiffinding、RuntimeErrorTrace、Page、ImpliedPage、 IneractiveElement、DerivedTaskHint、TestExecution、MockEndoint、 MockCall、ContractViolation、ApmMetric、PerformanceBaseline、 PerformanceRegression、CoverageGap。分析节点从不由 extract.py 产生—— 仅由按需 pass 产生，通过 replace_analysis_nodes 写入。

• Edge 置信度：EXTRACTED / INFERRED / AMBIGUOUS，带有 IN-08 溯源信息（extracted_at、extractor_version、source_ref）。

• 三个 Repository 后端基于同一个 Protocol：Neo4jRepository （Cypher、按项目命名空间、向量索引、查询/写入/模式超时）、 InMemoryRepository（两个后端都对照验证的参考测试替身）和 EmbeddedRepository（SQLite、两张表、每次调用重新持久化完整图—— 简单、单项目、本地优先）。

• QueryEngine（query.py）：轻量、后端无关的编排——搜索、遍历、 邻居、社区、god 节点、统计、最短路径、签名、类方法、文件列表、 特征发现、语义搜索（需要在加载时写入 embeddings）。

存储后端与配置（config.py、factory.py）

• Neo4jConfig.from_env() —— 读取 NEO4J_*（或旧版 CIE_NEO4J_* 覆盖）以及每个操作超时 （CIE_NEO4J_QUERY_TIMEOUT_S、..._WRITE_TIMEOUT_S、..._SCHEMA_TIMEOUT_S）。 仅靠驱动级限制无法阻止锁等待挂起；cie.timeouts 在每次查询往返周围强制执行独立的挂钟时间预算。

• CieConfig —— 面向外部调用者的一个显式引导对象 （项目根目录、项目名、Neo4j 配置、允许的根目录、文件大小 上限、语言适配器）。没有“禁用沙箱”开关——文件工具 无条件进行沙箱限制（cie.tools.view._jail）。

• factory.py 以三种方式构建 ToolService：build_tool_service （Neo4j，按项目缓存的引擎/任务仓库共享同一个 driver）、 build_tool_service_from_config（一次调用，无需环境变量）和 build_tool_service_embedded（SQLite 图 + 默认的 EmbeddedTaskRepository，通过 task_tracking=False 启用 NullTaskRepository）。

工具表面——ToolService（cie/tools/__init__.py，~121 个方法）

每个方法都返回标准 SPEC §0 响应封装（ok/tool/results/ truncated/total/hint/elapsed_ms，cie.envelope）；错误带有 必需的 hint。按能力分组（全部也通过 MCP 和 POST /tools/{tool} 暴露）：

核心图导航——search_symbol、resolve_import、 semantic_search、callers、calees、file_skeleton、path_between、 failing_context、affected_by、class_hierarchy、test_map、 actual_callers、dead_code_confirm、hybrid_search（词法 + 稠密 向量 + 图中心性，带各组件分数）、entity_context、 view_file（分窗口、带行号、与符号索引联结）。

GraphRAG Q&A——qa（cie.graphrag）：一个真正的流水线—— query_plan.classify 选择检索策略，hybrid_search 检索，rerank 根据 LLM 相关性判断重新排序， entity_context 扩展邻域，最后由一次 LLM 调用作答， 引用独立于图组装（LLM 本身从不生成引用）。

第 13 节——代码智能（按需分析 pass 以分析节点写入）：

• 克隆检测（clone_detect.py，CI-01..05）：三种融合信号 ——token-Jaccard（复制粘贴）、AST 形状 Jaccard（重命名克隆）、 embedding 余弦（语义克隆）→ CloneCluster 节点。工具： clone_detect_run、clone_clusters、clone_find。

• 性能分析（perf_analyze.py，CI-06..08）：Big-O 估算（循环嵌套 + 递归）写入 F UNC/METHOD 节点， 外加反模式检测（N+1 查询、嵌套循环、循环内同步 I/O、无界增长）。 工具：performance_analyze_run、performance_profile、antipattern_scan。

• 漂移检测（drift_detect.py，CI-10..12）：需求缺口 （任务 file_path 与已索引的 FILE 节点）、API 契约漂移（复用 api_routes 提取）、架构漂移。工具： drift_detect_run、drift_report、architecture_check。

• 指标（metrics.py，CI-19..21）：将克隆/漂移/技术债 汇总到仅追加的 MetricSnapshot（趋势可从历史回答）。 工具：metrics、tech_debt_report、metric_trend。

• 社区（community_detect.py，RQ-04/AI-03）：标签传播 检测（Node.community 背后的真实写路径——此前只读且没有任何填充）

  • 携带 embeddings 的 LLM 主题化 CommunitySummary 节点。 工具：community_detect_run、community_summarize_run、community_search。

• 质量治理：accuracy_check、freshness_report、 comprehensiveness_report、salience_report。

第 0 节——填充与实时同步（sync.py）：双图模型 （推测性 vs 规范性）、4 阶段 GateRunner 质量门、分级 置信度、符号级 AST 增量 + 移动检测、回滚时软删除、 幂等的提交关联批量填充、同步事件分类。 工具：sync_quality_gate、sync_promote、sync_revert、 sync_ast_delta、sync_evict_speculative、sync_load_commit、 configure_layer_rules、get_layer_rules、install_git_hook。

第 1 节——核心数据模型扩展（data_model.py）：export_rdf、 related_edges、validate_property_constraints、类型流解析 （type_flow_run/type_flow）、依赖图（dependency_graph_run/ dependency_graph）、从 markdown 生成文档图（doc_graph_run/ doc_search）。

第 14 节——置信度框架（规范与代码一致性保障）：

• 契约（contracts.py，CF-01..03）：python_assert 形式的 契约、按名称尽力绑定到 PRD 范围、参数名域类型验证、 inject_assertions/stip_assertions。 工具：contracts_run、contracts、validate_types、 inject_assertions、stip_assertions。

• 测试综合（test_synthsis.py，CF-04/05）：模板生成的 跨六种测试类型的骨架，通过 DM-14 使用的相同 TESTS 边绑定到代码。工具：test_skeletons_run、test_skeletons、 test_coverage。

• 状态机（state_machine.py，CF-06/07）：FSM 提取、 死状态/不可达状态检测（真实图算法）、结构化 代码与 FS M 对比检查。工具：state_machine_run、state_machine、 fsm_validate。

• 可追溯性（traceability.py，CF-08/09）：在代码侧 和 PRD 层级侧的图遍历覆盖率/孤儿/链。 工具：traceability_coverage、traceability_orphans、 traceability_chain、prd_traceability_coverage、 prd_traceability_orphans、prd_traceability_chain。

• 语义差异（semantic_diff.py，CF-10/11）：模式匹配的 规范与代码对比检查（刻意保守，设计上具有高假阴性率）。 工具：semantic_diff。

• 多智能体共识（consensus.py，CF-12/14）：判定存储 + 查询（此处明确不构建持久化的恰好一次总线）。 工具：record_verdict、agent_verdicts。

• 置信度评分（confidence.py，CF-15/16）：契约/测试/共识信号的 纯组合；生成层和运行时层报告为 None。 工具：confidence_report、justification（CF-17/18）。

• 不变量与遥测回流（invariants.py，CF-19..21）：针对状态快照的 安全契约表达式求值 + 违规记录；从代码节点回溯到其 契约/测试的图遍历。工具：check_invariant、invariant_violations、 telemetry_to_spec。

第 15 节——分解引擎（decompose.py）：复用现有的 HTML walker + 交互元素检测器，将页面分解为 Page/ImpliedPage/IneractiveElement/DerivedTaskHint 节点。 工具：decompose_page、page_tree、promote_hint_to_task、 element_coverage、implied_pages_run、implied_pages。

第 16 节——测试执行与 APM（test_orchestration.py、 mockng.py、mock_server.py、apm.py）：基于交互元素/契约/状态 转换/API 端点/PRD 错误场景生成测试计划、测试执行、覆盖缺口报告、 边角测试、统一覆盖报告；第三方 mock 编排带 真正可运行的 FastAPI mock 服务器（显式 base-URL 覆盖，而非网络拦截）； APM 指标摄取，包括自动 pytest --junitxml 计时收集、基线、回归检测。 工具：test_plan、run_tests、record_test_result、test_results、 coverage_gaps、nook_and_corner_test、unified_coverage_report、 mock_registry_run、mock_registry、mock_coverage、start_mock_server、 stop_mock_server、mock_violations、record_apm_metric、apm_metrics、 performance_baseline、performance_regressions。

第 17 节——系统智能（subsystems.py）：本代码库中实际构建的 每个子系统的静态注册表，带有 (rep, project) -> int 填充查询（可调用，而非原始 Cypher，因此同一测试可同时通过 Neo4j 和内存替身）。工具：subsystem_health、subsystem_gaps、 subsystem_dependency_graph、subsystem_dependency_graph_run、 population_path。

运行时遥测摄取（telemetry.py，CI-15..17）：通过 OTLP/HTTP 配合 JSON 编码 接收真实的 OpenTelemetry span 摄取 （在 POST /telemetry/otlp 接收），与测试时 APM 区分。刻意不尝试 原始 protobuf 解码。

虚拟文件系统与沙箱（cie/tools/view.py、edit.py、 runner.py、blame.py）：受限的 view_file（带行号、带 图联结的符号索引、可配置大小上限）、write_file、 write_files_atomic、edit_file、delete_file、run（子进程 + cwd 沙箱 + 硬超时——CIE_RUN_ROOT 扩大沙箱范围）、blame_history （与任务图工件联结的 git 历史）。每次写入都保持进程内启发式符号索引 增量新鲜，并重新解析未更改文件的调用者。

启发式回退（cie/tools/index.py、heuristic.py）：当 图调用失败或返回空时，ToolService 通过遍历+解析项目树 惰性构建内存中的 SymbolIndex，因此 search_symbol/file_skeleton/view_file 在未索引或部分索引的 树上继续工作——与图支持路径相同的结果塑造代码路径。

任务与 PRD 层级层（tasks.py、task_repository.py、embedded_task_repository.py、hierarchy.py）

• AtomicTask / AtomicTaskBatch（pydantic，摄取时进行 schema 版本化），支持状态/尝试次数回写、工件、修复事件、依赖 循环验证、覆盖验证、API 契约验证。

• Neo4jTaskRepository（真正的写后实体缓存，cie.graph_cache） 或 EmbeddedTaskRepository（SQLite，零配置——相同 TaskRepository 协议、相同 plan_push 验证代码，无需 Neo4j） —— NullTaskRepository 仍可作为显式选择退出方式使用。

• hierarchy.py：存储/遍历 PRD 树（Module → Feature → Workflow → UseCase → UserStory → REALIZED_BY AtomicTask）， 无 APOC 的 Cypher——仅限 Neo4j，尚未移植到嵌入式后端（其 三个工具——prd_coverage/prd_orphans/prd_traceability_chain—— 直接调用 cie.factory.get_hierarchy_repo）。CLI：hierarchy:push、 hierarchy:children、hierarchy:lineage。

三个前端，同一封装

• MCP（cie.mcp_server / cie-mcp）：基于官方 mcp SDK 构建的真正 Model Context Protocol，通过 stdio（或 sse / streamable-http）提供。每个工具的 JSON Schema 来自 SDK 对绑定方法的自省——单一事实来源。被策略拒绝的工具永远不会被注册，而不仅仅是拒绝调用。策略：forge/orchestrator（读+写）、miner/inspector（只读）。

• HTTP（cie.routes.py）：router 挂载到宿主 FastAPI 应用中（而非独立进程）。POST /tools/{tool}（kwargs 在请求体中）、GET /tools、GET /health、GET /schema-version，以及专门的 POST /tasks、GET /tasks/{name}、GET /tasks/pending、POST /hierarchy、POST /telemetry/otlp 等。

• CLI（cie.cli，49 个命令）：默认输出人类可读的 Rich 表格；每个命令都支持 --json（分组级，位于子命令之前），输出与 HTTP 接口相同的 SPEC §0 信封格式，因此 agent 可以完全通过 JSON 驱动 cie。命令与上述工具一一对应（search、node、neighbors、community、communities、god、stats、search-symbol、view-file、callers、callees、skeleton、failing-context、affected-by、blame、run、reindex、watch、tasks:*、hierarchy:*、coverage:*、validate:*、schema-version、schema:dump、……）。

安全与确定性说明（摘自代码）

• 文件工具无条件将操作隔离在项目根目录之下（cie.tools.view._jail）；CIE_RUN_ROOT 只能扩大 run 的隔离范围。不存在"禁用隔离"的选项。

• 每条边都带有溯源信息（extracted_at/extractor_version/source_ref）；置信度在写入时打上标记，绝不是由纯提取器虚构的。

• 每次操作的墙上时钟超时（cie.timeouts）限制了锁等待引起的挂起，而驱动自身的超时做不到这一点——这是 cie.timeouts 中记录的一次真实的 2026-08-04 Aura schema-lock 事件带来的直接教训。

• GraphRAG 中的引用是从图中组装出来的，绝不是由 LLM 输出的，因此不可能在生成过程中被捏造。

两个层级

cie 分为两个层级，这种划分是刻意为之——它们面向两类不同的受众：

获取层——零配置、嵌入式。 一个本地 SQLite 文件，没有服务器，无需配置任何内容（见快速入门）。完整的代码图（搜索、遍历、调用图、文件骨架、虚拟文件系统、启发式回退、GraphRAG Q&A）+ 通过 MCP/HTTP/CLI 提供的 ~121 个工具。没有任务/QA 跟踪，没有质量治理层（克隆/漂移检测、置信度、契约）。这是独立开发者或初次来访者会尝试的层级——赢得第一颗星的锐利钩子。

留存层——以 Neo4j 为后端。 所有能力、多项目命名空间，以及团队每天都会持续查询的东西（而非一次性的"wow"）：任务/QA 可追溯性（哪些任务和测试实现了哪些代码）、持续质量治理、PRD 层级结构和覆盖率趋势。这是让 cie 值得在第一周之后继续安装的层级——任何纯代码图都不具备的故事。

from pathlib import Path
from cie.config import CieConfig, Neo4jConfig
from cie.factory import build_tool_service_from_config

config = CieConfig(
    project_root=Path("/path/to/your/project"),
    project="my-project",
    neo4j=Neo4jConfig(uri="bolt://localhost:7687", user="neo4j", password="password"),
)
service = build_tool_service_from_config(config)

service.reindex()
print(service.search_symbol("main"))

或者通过 MCP：cie-mcp /path/to/your/project（不带 --embedded）——读取 CIE_NEO4J_*/NEO4J_* 环境变量，或显式传入 --neo4j-uri/--neo4j-user/--neo4j-password。

文档

• 竞争格局 — 最接近的竞品（CodeGraphContext、CodeGraph、Serena 等）、cie 与它们的差异，以及它如实落后的地方。

• 基准测试——psf/requests — 相同的方法论在一个本项目并未编写的知名公共仓库上重新运行，而非自指式的证明案例；一个真实的胜出之处和一个真实的召回率缺口，两者都有报告。

• 工具选择准确度 — 拥有 81+ 个工具而不是 ~14 个，会不会让 agent 在选择准确度上付出代价？实测而非断言：两种条件下均为 14/14 正确，单次运行——"广度会损害准确度"的假设在这里并不成立。

• 基准测试 — 针对真实代码库的真实工具调用/响应大小测量，如实公开（包括未胜出的地方）。

• 竞品基准测试 — 同一个真实代码库，使用实际安装并运行（而非估算）的 CodeGraphContext 和 Serena 进行索引和查询；包括这次深挖发现、精确定位并修复的一个真实歧义名称解析 bug。

• 添加一门语言 — 为 cie 从未见过的语言提供一个完整、经过验证的 LanguageAdapter，不涉及 tree-sitter 语法或 LSP。

项目结构

cie/
  models.py            # NodeKind/Edge/Confidence + all result dataclasses (one source of truth)
  repository.py        # Repository Protocol
  neo4j_repository.py  # Neo4j (Cypher) backend
  in_memory_repository.py  # reference test double + embedded query/traversal logic
  embedded_repository.py   # zero-config SQLite backend
  query.py             # QueryEngine (backend-agnostic orchestration)
  extract.py           # tree-sitter extraction (Python/JS/TS/Java/Go/Rust)
  callgraph.py         # pass-2 calls/inheritance edge resolution
  testlink.py          # TESTS edge resolution
  lang_adapter.py      # pluggable language-adapter registry + entry points
  config.py factory.py # bootstrap (Neo4jConfig / CieConfig / build_tool_service*)
  tools/               # ToolService (~121 tools) + jailed fs/run/blame helpers
  mcp_server.py        # real MCP server (cie-mcp)
  routes.py            # FastAPI router (mounted into host app)
  cli.py               # 49-command CLI (Rich tables + --json envelope)
  tool_schema.py tool_policy.py  # typed JSON-Schema + per-agent authorization
  # analysis passes (on-demand, write analysis nodes):
  clone_detect.py perf_analyze.py drift_detect.py metrics.py
  community_detect.py graphrag.py query_plan.py graph_diff.py
  contracts.py test_synthesis.py state_machine.py traceability.py
  semantic_diff.py consensus.py confidence.py justification.py
  invariants.py telemetry.py decompose.py subsystems.py
  sync.py data_model.py api_routes.py source_analysis.py
  test_orchestration.py mocking.py mock_server.py apm.py
  tasks.py task_repository.py hierarchy.py   # task / PRD-hierarchy layer
  envelope.py embed.py graph_cache.py timeouts.py telemetry.py
tests/                # test_standalone_smoke / test_mcp_server / test_embedded_repository

许可证

cie 以 MIT License 许可证发布。

贡献即表示您同意您的贡献以相同的 MIT 许可证授权——参见 CONTRIBUTING.md。