Skip to main content
Glama
Bluezeamer

PrecisionContextEngine

by Bluezeamer
OverviewSchemaSourceRelated ServersDiscussionsAdmin
Python
Local

PCE — Precision Context Engine

为 AI 编程 Agent 设计的代码库理解减负及加速层

大型代码库理解的最大成本不是"搜索"，而是反复 grep、手工翻目录、拼接调用链带来的上下文消耗。PCE 通过 MCP 暴露的工具接口把入口定位、链路梳理、影响面分析从主 Agent 中拆出来：

  • 节省主 Agent 上下文：代码库调研由 PCE 独立完成，主 Agent 的上下文窗口不被探索过程消耗，得以在一轮会话中连续完成目标任务

  • 降低模型调用成本：PCE 的分析任务不依赖旗舰模型——推荐使用参数量小、速度快的轻量模型，性价比更高，响应更快

推荐模型（实测性价比均衡）：xiaomi/mimo-v2-flash · openai/gpt-5.4-mini · openai/gpt-5.4-nano

工具一览

工具

用途

pce_init

绑定项目，构建索引与导航上下文

pce_query

定位入口、梳理模块职责与主干调用链

pce_impact

分析已知目标的影响边界、下游传播链与变更风险

pce_sync

代码变更后增量同步索引与认知状态

pce_status

查看初始化状态、索引信息与 staging 状态

典型工作流：

pce_init → pce_query → pce_impact → [修改代码] → pce_sync

  • 目标未知 → 先用 pce_query

  • 目标已知，评估波及面 → 用 pce_impact

  • 改完代码后 → 用 pce_sync

Related MCP server: Symbol Delta Ledger

快速接入（MCP）

推荐直接以 MCP 方式接入，无需手动启动服务。

Claude Code

在 MCP 配置文件中添加：

{
  "pce": {
    "command": "uvx",
    "args": [
      "--from",
      "git+https://github.com/Bluezeamer/PrecisionContextEngine",
      "pce",
      "serve"
    ],
    "env": {
      "PCE_PROVIDER": "openrouter",
      "PCE_MODEL": "openai/gpt-5.4-nano",
      "PCE_API_KEY": "your_api_key",
      "PCE_TEMPERATURE": "1.0",
      "PCE_AGENT_TIMEOUT": "1200"
    }
  }
}

Codex

[mcp_servers.pce]
command = "uvx"
startup_timeout_sec = 60
args = ["--python", "3.11", "--from", "git+https://github.com/Bluezeamer/PrecisionContextEngine", "pce", "serve"]
tool_timeout_sec = 1200

[mcp_servers.pce.env]
PCE_PROVIDER = "openrouter"
PCE_MODEL = "openai/gpt-5.4-nano"
PCE_API_BASE = "https://openrouter.ai/api/v1"
PCE_API_KEY = "your_api_key"
PCE_TEMPERATURE = "1.0"
PCE_AGENT_TIMEOUT = "1200"

[重要]提示词建议

经过实测MCP本身的工具调用提示词在各Agent内部的引导优先级权重不高，容易被淹没在大量的工具噪音里。因此为了强化主Agent适时使用PCE的倾向获得更好的使用体验，建议将AGENTS.md中的内容复制粘贴到你的目标Agent系统提示词约束中——例如对于claudecode来说是CLAUDE.md，对于codex来说是AGENTS.md。

环境变量

变量

必填

说明

PCE_PROVIDER

是

LiteLLM provider，如 openrouter / openai / anthropic

PCE_MODEL

是

provider 下的模型名

PCE_API_KEY

是

对应模型的 API Key

PCE_API_BASE / PCE_BASE_URL

否

自定义兼容端点

PCE_TEMPERATURE

否

全局温度，默认 1.0

PCE_AGENT_TIMEOUT

否

Agent 总超时（秒），默认 600

PCE_COMPLETION_RETRIES_PER_MODEL

否

每模型 completion 重试次数，默认 3

PCE_MODEL_FALLBACKS

否

fallback 模型链，逗号分隔

完整示例见 .env.example。

本地部署

环境要求：Python 3.11–3.12，uv

uv sync --all-extras
cp .env.example .env   # 按上表填写必填变量
uv run pce serve       # 以 stdio MCP server 方式运行

License

GPL-3.0

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityInactive
ResponsivenessUnresponsive

Resources

Related MCP Connectors

Related MCP Servers

  • CodeXRay

    NeuralRays
    A
    license
    Not graded
    quality
    C
    maintenance
    Enables AI coding agents to query a pre-built semantic knowledge graph of code, reducing token usage and tool calls. Supports 16 tools for code exploration, analysis, and context building.
    5 npm
    7
    MIT

  • flowindex

    adu3110
    A
    license
    Not graded
    quality
    C
    maintenance
    Enables AI coding agents to analyze codebase behavior through entrypoints, call paths, and tests, providing impact analysis and context packs for code changes.
    MIT

  • codebase-rag

    Ar-maan05
    A
    license
    Not graded
    quality
    B
    maintenance
    Enables LLM agents to efficiently understand and navigate a codebase by providing semantic search over symbols and a reference graph, replacing expensive grep/glob calls with structured tools like definition lookup, caller/callee queries, and change-impact analysis.
    2
    MIT