rpg-encoder

AI コーディングエージェントは、ツール呼び出しの大半を grep、cat、find、ファイル読み取りによるコードベースの手探りに費やしています。rpg-encoder はそれを解決します。Tree-sitter を使ってコードのセマンティックグラフを構築し、「何が何を呼ぶか」だけでなく「各関数が何をするか」を捉え、MCP 経由で単一のツール呼び出しにより AI アシスタントにリポジトリ全体の理解を与えます。

クイックスタート

claude mcp add rpg -- npx -y -p rpg-encoder rpg-mcp-server

1 つのコマンドで完了します。Claude Code、Cursor、opencode、Windsurf、その他 MCP 互換エージェントで動作します。Rust ツールチェーンも、クローンも、ビルドも不要です。npx がプラットフォーム向けのビルド済みバイナリをダウンロードします。

あとは任意のリポジトリを開いて、エージェントにこう伝えるだけです:

"このリポジトリの RPG をビルドしてリフトしてください"

エージェントがすべて処理します: エンティティのインデックス化（数秒）、各関数の読み取りと意図レベルのフィーチャー追加（数分）、それらをセマンティック階層に整理し、チーム用に .rpg/graph.json をコミットします。

~100+ エンティティのリポジトリでは、lifting_status がエージェントにリフティングループをサブエージェントまたは低コストモデルへ委任するよう指示します。フィーチャー抽出はパターンマッチングであり、新しい推論ではないからです。ランタイムにサブエージェントの仕組みがない場合は、API キーを指定してターミナルで rpg-encoder lift --provider anthropic|openai を実行してください。CLI がエージェントを介さず外部 LLM を直接駆動します。CLI の完了後、セッション内で reload_rpg を呼び出して更新されたグラフを読み込みます。CLI はフィーチャーを持たないエンティティをリフトします。コード変更後に陳腐化したエンティティ（フィーチャーはあるが古い）の再リフトは、CLI ではなくセッション内の MCP フローで処理されます。

リフトが完了したら、試してみてください:

• "認証を処理しているのは何?" — "auth" と名付けられたものがどこにもなくてもコードを見つけます

• "データベース接続に依存するすべてを表示して"

• "API エンドポイントにレート制限を追加する変更を計画して"

Related MCP server: code-intel

grep、cat、find より先に RPG を使う

サーバー指示は、コードの構造や動作に関するあらゆる質問について、エージェントにまず RPG ツールを最初に使うよう指示します。この反射が重要です。grep、cat、場当たり的なファイル読み取りはトークンを浪費し、RPG がすでに把握しているセマンティックな関係を見逃します。

grep、cat、ファイル読み取りにフォールバックするのは、クエリがリテラルテキスト（文字列検索、コメント、TODO、ログメッセージ）に関する場合だけにしてください。構造に関するものではありません。

仕組み

1. パース — Tree-sitter が 15 言語からエンティティ（関数、クラス、メソッド）と依存関係エッジ（インポート、呼び出し、継承）を抽出します。

2. リフト — LLM（エージェント、または Haiku のような低コスト API）が各エンティティを読み取り、動詞-目的語のフィーチャーを記述します: "JWT トークンを検証する"、"設定をディスクにシリアライズする"。

3. 組織化 — フィーチャーが 3 レベルのセマンティック階層（エリア → カテゴリ → サブカテゴリ）にクラスタリングされます。これはファイルツリーではなく、コードが何をするかから生成されます。

4. 理解 — semantic_snapshot がグラフ全体を ~25K トークンに圧縮します。LLM はそれを一度読むだけでリポジトリを把握できます。

セマンティックスナップショット

ファイルを grep する代わりに、LLM は semantic_snapshot を 1 回呼び出して以下を受け取ります:

• 階層 — 集約フィーチャーを持つすべての機能エリア

• エンティティ — エリアごとにグループ化されたすべての関数、クラス、メソッドと、そのセマンティックなフィーチャー

• 依存関係スケルトン — 修飾名付きの凝縮されたコールグラフ

• ホットスポット — 最も接続数の多い上位 10 エンティティ（アーキテクチャの背骨）

~25K トークンで ~1000 エンティティをカバーします。これは 1M コンテキストウィンドウの 2〜3% です。LLM は毎セッション、リポジトリを把握した状態で開始します。

自己メンテナンスグラフ

作業ツリーが変更されるたび（コミット済み、ステージ済み、未ステージのいずれでも）、MCP サーバーは次のクエリに応答する前に自動的に再同期します。(path, size, mtime) に対するチェンジセットハッシュにより、同じファイルの繰り返し保存は 1 回の同期にまとめられ、アイドル状態のクエリでは同期は発生しません。リバートも検出されます。以前ダーティだったファイルが HEAD 状態に戻った場合、グラフが復元されます。

2 つのリフト方法

auto_lift は低コストの外部 LLM を直接呼び出します。コーディングサブスクリプションがリフティング作業に関与することはありません。api_key_env を使用して環境変数からキーを解決することで、キーがツール呼び出しのトランスクリプトに一切表示されないようにできます。

アーキテクチャ

7 つの Rust クレート、1 つの MCP サーバーバイナリ、1 つの CLI バイナリ:

MCP ツール (27)

対応言語

Tree-sitter による15言語：

インストール

MCP サーバー（推奨）

# Claude Code
claude mcp add rpg -- npx -y -p rpg-encoder rpg-mcp-server

# Cursor — add to ~/.cursor/mcp.json
{
  "mcpServers": {
    "rpg": {
      "command": "npx",
      "args": ["-y", "-p", "rpg-encoder", "rpg-mcp-server"]
    }
  }
}

サーバーは現在の作業ディレクトリからプロジェクトルートを自動検出します — パス引数は不要です。

npm install -g rpg-encoder

# Build a graph
rpg-encoder build

# Query
rpg-encoder search "parse entities from source code"
rpg-encoder fetch "src/parser.rs:extract_entities"
rpg-encoder explore "src/parser.rs:extract_entities" --direction both --depth 2
rpg-encoder info

# Autonomous lifting via API
rpg-encoder lift --provider anthropic --dry-run  # estimate cost
rpg-encoder lift --provider anthropic           # lift with Haiku (~$0.02/100 entities)

# Incremental update
rpg-encoder update

# Pre-commit hook (auto-updates graph on commit)
rpg-encoder hook install

git clone https://github.com/userFRM/rpg-encoder.git
cd rpg-encoder && cargo build --release

次に、MCP 設定で target/release/rpg-mcp-server を指定します。

ドキュメント

• RPG の比較 — GitNexus、Serena、Repomix などとの率直な比較

• 論文の忠実性 — 研究論文とのアルゴリズムごとの比較

• ユースケース — RPG が実現する実践的な使用例

• CHANGELOG — リリース履歴

インスピレーションと参考文献

rpg-encoder は、RPG-Encoder 研究論文の理論的枠組みに基づいており、コードインテリジェンス分野のさまざまなツールから着想を得た独自の拡張機能を備えています。

• RPG-Encoder 論文（Luo ら、2026 年、Microsoft Research）— セマンティックリフティングモデル、3レベル階層構築、インクリメンタル進化アルゴリズム、形式グラフモデル G = (V_H ∪ V_L, E_dep ∪ E_feature)。

• GitNexus — 事前計算された関係インテリジェンス、影響範囲分析、Claude Code フック。コードグラフツールは、不可視であってこそ不可欠になれることを示した。

• Serena — LSP によるシンボルレベルの精度。リアルタイムのコード認識がバッチ分析よりも重要であることを実証した。

• TOON — LLM 向けに最適化された出力のための Token-Oriented Object Notation。

これは独立した実装です。すべてのコードは MIT ライセンスの下で作成されたオリジナル作品です。Microsoft とは提携しておらず、Microsoft による推奨も受けていません。

ライセンス

MIT