Codegraph Rust

🚀 CodeGraph CLI MCP Server

🚀 高性能のCLIツールで、MCPサーバーの管理と高度なアーキテクチャ分析機能を備えたコードベースのインデックス作成を行います。

📋 目次

• 概要
• 機能
• アーキテクチャ
• 前提条件
• インストール
• クイックスタート
• CLIコマンド
• 設定
• ユーザーワークフロー
• 統合ガイド
• トラブルシューティング
• コントリビュート
• ライセンス

🎯 概要

CodeGraphは、MCP（Model Context Protocol）サーバー管理と高度なコード分析機能を組み合わせた強力なCLIツールです。プロジェクトのインデックス作成、埋め込みの管理、複数のトランスポートオプションでのMCPサーバーの実行を統一的なインターフェースで提供します。これで、Agentを用意するだけで、独自の深層コードとプロジェクト知識の合成システムを作成できます！

主要機能

• 🔍 高度なコード分析：Tree-sitterを使用して複数の言語のコードを解析および分析します。
• 🚄 デュアルトランスポートサポート：STDIO、HTTP、または両方を同時に使用してMCPサーバーを実行します。
• 🎯 ベクトル検索：FAISSによるベクトル埋め込みを使用した意味的なコード検索を行います。
• 📊 グラフベースのアーキテクチャ：RocksDBベースのグラフストレージを使用してコードの関係をナビゲートします。
• ⚡ 高性能：並列処理とバッチ埋め込みにより、大規模なコードベースに最適化されています。
• 🔧 柔軟な設定：埋め込みモデルとパフォーマンスチューニングのための幅広い設定オプションがあります。

生のパフォーマンス ✨✨✨

0.49秒で17万行のRustコード！3分24秒で21,024個の埋め込み！M3 Pro 32GB、Qdrant/all-MiniLM-L6-v2-onnx、CPUで実行（Metalアクセラレーション未使用）！

Parsing completed: 353/353 files, 169397 lines in 0.49s (714.5 files/s, 342852 lines/s)
[00:03:24] [########################################] 21024/21024 Embeddings complete

✨ 機能

コア機能

• プロジェクトインデックス作成

  • 多言語サポート（Rust、Python、JavaScript、TypeScript、Go、Java、C++）
  • ファイル監視によるインクリメンタルインデックス作成
  • 設定可能なワーカーによる並列処理
  • パフォーマンス向上のためのスマートキャッシュ

• MCPサーバー管理

  • 直接通信のためのSTDIOトランスポート
  • SSEサポート付きのHTTPストリーミング
  • 最大の柔軟性を提供するデュアルトランスポートモード
  • PID管理付きのバックグラウンドデーモンモード

• コード検索

  • 埋め込みを使用した意味的な検索
  • 完全一致およびファジー検索
  • 正規表現とASTベースのクエリ
  • 設定可能な類似度閾値

• アーキテクチャ分析

  • コンポーネント関係のマッピング
  • 依存関係分析
  • コードパターン検出
  • アーキテクチャの可視化サポート

🏗️ アーキテクチャ

CodeGraph System Architecture
┌─────────────────────────────────────────────────────┐
│                   CLI Interface                     │
│                  (codegraph CLI)                    │
└─────────────────────────────────────────────────────┘
                           │
                           ▼
┌─────────────────────────────────────────────────────┐
│                   Core Engine                       │
│  ┌─────────────┐  ┌──────────────┐  ┌────────────┐  │
│  │   Parser    │  │  Graph Store │  │   Vector   │  │ 
│  │ (Tree-sittr)│  │  (RocksDB)   │  │   Search   │  │
│  └─────────────┘  └──────────────┘  │  (FAISS)   │  │
│                                     └────────────┘  │
└─────────────────────────────────────────────────────┘
                           │
                           ▼
┌─────────────────────────────────────────────────────┐
│                  MCP Server Layer                   │
│  ┌─────────────┐  ┌──────────────┐  ┌────────────┐  │
│  │    STDIO    │  │     HTTP     │  │    Dual    │  │
│  │  Transport  │  │  Transport   │  │    Mode    │  │
│  └─────────────┘  └──────────────┘  └────────────┘  │
└─────────────────────────────────────────────────────┘

🧠 ONNX Runtimeを使用した埋め込み (macOS)

• デフォルトのプロバイダー：CPU EP。Homebrewのonnxruntimeですぐに動作します。
• オプションのCoreML EP：CoreMLを含むONNX Runtimeビルドを使用する場合、CODEGRAPH_ONNX_EP=coremlを設定してCoreMLを優先させます。
• フォールバック：CoreML EPの初期化に失敗した場合、CodeGraphは警告をログに記録し、CPUにフォールバックします。

ONNX埋め込みの使用方法

# CPUのみ (デフォルト)
export CODEGRAPH_EMBEDDING_PROVIDER=onnx
export CODEGRAPH_ONNX_EP=cpu
export CODEGRAPH_LOCAL_MODEL=/path/to/onnx-file

# CoreML (CoreML対応のORTビルドが必要)
export CODEGRAPH_EMBEDDING_PROVIDER=onnx
export CODEGRAPH_ONNX_EP=coreml
export CODEGRAPH_LOCAL_MODEL=/path/to/onnx-file


# Install codegraph
cargo install --path crates/codegraph-mcp --features "embeddings,codegraph-vector/onnx,faiss"

注意事項

• AppleプラットフォームでのONNX Runtimeは、MetalではなくCoreMLを介して加速されます。Apple SiliconでGPUアクセラレーションが必要な場合は、サポートされている場合にCoreMLを使用してください。
• CoreMLがサポートしていない場合、一部のモデル/演算子は依然としてCPUで実行されることがあります。

ビルド時にCoreML機能を有効にする

• CoreMLの登録パスは、codegraph-vectorのCargo機能onnx-coremlによって制限されています。
• 次のコマンドでビルドします：cargo build -p codegraph-vector --features "onnx,onnx-coreml"
• フルワークスペースビルドでは、使用するクレートの機能を介して、または--features codegraph-vector/onnx,codegraph-vector/onnx-coremlを追加して有効にします。
• 依然としてCoreMLサポートでコンパイルされたONNX Runtimeライブラリが必要です。この機能は、コード内の登録呼び出しを有効にするだけです。

📦 前提条件

システム要件

• オペレーティングシステム：Linux、macOS、またはWindows
• Rust：1.75以上
• メモリ：最小4GB RAM（大規模なコードベースの場合は8GB推奨）
• ディスク容量：インストールに1GB + インデックス化されたデータのためのスペース

必要な依存関係

# macOS
brew install cmake clang

# Ubuntu/Debian
sudo apt-get update
sudo apt-get install cmake clang libssl-dev pkg-config

# Fedora/RHEL
sudo dnf install cmake clang openssl-devel

オプションの依存関係

• FAISS (ベクトル検索の高速化用)
• ローカル埋め込み (HuggingFace + Candle + ONNX/ORT(coreML) osx-metal/cuda/cpu)
  • デバイス上での埋め込み生成を可能にします（外部API呼び出し不要）
  • 初回実行時にHuggingFace Hubからモデルをダウンロードし、ローカルにキャッシュします
  • 初回のモデルダウンロードにはインターネットアクセスが必要です（またはキャッシュを事前に設定）
  • デフォルトではCPUで実行されます。高度なGPUバックエンド（CUDA/Metal）には適切なハードウェアとドライバーが必要です
• CUDA (GPU加速された埋め込み用)
• Git (リポジトリ統合用)

🚀 パフォーマンスベンチマーク

インデックス作成速度（ローカル埋め込み + FAISSを使用）、ベクトル検索のレイテンシ、グラフトラバーサルのスループットを測定する再現可能なエンドツーエンドのベンチマークを実行します。

パフォーマンス機能を持つビルド

ローカル埋め込みバックエンドの1つを選択し、FAISSを有効にします：

# オプションA: ONNX Runtime (macOSではCoreML、それ以外ではCPU)
cargo install --path crates/codegraph-mcp --features "embeddings,codegraph-vector/onnx,faiss"

# オプションB: ローカルHF + Candle (CPU/Metal/CUDA)
cargo install --path crates/codegraph-mcp --features "embeddings-local,faiss"

ローカル埋め込みバックエンドの設定

ONNX (CoreML/CPU):

export CODEGRAPH_EMBEDDING_PROVIDER=onnx
# macOS: CoreMLを使用
export CODEGRAPH_ONNX_EP=coreml   # またはcpu
export CODEGRAPH_LOCAL_MODEL=/path/to/model.onnx

ローカルHF + Candle (CPU/Metal/CUDA):

export CODEGRAPH_EMBEDDING_PROVIDER=local
# デバイス: cpu | metal | cuda:<id>
export CODEGRAPH_LOCAL_MODEL=sentence-transformers/all-MiniLM-L6-v2

ベンチマークの実行

# コールドラン (`.codegraph`をクリーンアップ)、ウォームアップクエリ + タイムトライアル
codegraph perf . \
  --langs rust,ts,go \
  --warmup 3 --trials 20 \
  --batch-size 128 --device metal \
  --clean --format json

測定項目

• インデックス作成：解析 -> 埋め込み -> FAISSの構築（グローバル + シャード）までの総時間
• 埋め込みスループット：1秒あたりの埋め込み数
• ベクトル検索：繰り返しクエリにおけるレイテンシ（平均/p50/p95）
• グラフトラバーサル：BFS深度=2のマイクロベンチマーク

サンプル出力（数値はマシンとコードベースによって異なります）

{
  "env": {
    "embedding_provider": "local",
    "device": "metal",
    "features": { "faiss": true, "embeddings": true }
  },
  "dataset": {
    "path": "/repo/large-project",
    "languages": ["rust","ts","go"],
    "files": 18234,
    "lines": 2583190
  },
  "indexing": {
    "total_seconds": 186.4,
    "embeddings": 53421,
    "throughput_embeddings_per_sec": 286.6
  },
  "vector_search": {
    "queries": 100,
    "latency_ms": { "avg": 18.7, "p50": 12.3, "p95": 32.9 }
  },
  "graph": {
    "bfs_depth": 2,
    "visited_nodes": 1000,
    "elapsed_ms": 41.8
  }
}

再現性のためのヒント

• --cleanを使用してコールドスタートの数値を取得し、2回目の実行でウォームキャッシュの数値を取得します。
• CPU/GPUを競合する可能性のあるバックグラウンドプロセスを閉じます。
• バージョンを固定します：rustc --version、FAISSビルド、および埋め込みモデル。
• ホスト情報を記録します：CPU/GPU、RAM、ストレージ、OSバージョン。

🚀 インストール

方法1: ソースからインストール

# リポジトリをクローン
git clone https://github.com/jakedismo/codegraph-cli-mcp.git
cd codegraph-cli-mcp

# プロジェクトをビルド
cargo build --release

# グローバルにインストール
cargo install --path crates/codegraph-mcp

# インストールを確認
codegraph --version

### ローカル埋め込みの有効化 (オプション)

リモートプロバイダーの代わりにローカル埋め込みモデル (Hugging Face) を使用する場合：

1) ベクトル検索を使用するクレート（APIおよび/またはCLIサーバー）にローカル埋め込み機能を持つビルドを行います：

```bash
# ローカル埋め込みを有効にしてAPIをビルド
cargo build -p codegraph-api --features codegraph-vector/local-embeddings

# (オプション) CLIサーバークレートがベクトル機能に依存する場合、同様に有効にします：
cargo build -p core-rag-mcp-server --features codegraph-vector/local-embeddings

2. 実行時にプロバイダーを切り替えるために環境変数を設定します：

export CODEGRAPH_EMBEDDING_PROVIDER=local
# オプション: 特定のHFモデルを選択 (safetensorsウェイトを提供する必要があります)
export CODEGRAPH_LOCAL_MODEL=sentence-transformers/all-MiniLM-L6-v2

3. 通常通り実行します（初回実行時にHugging Faceからモデルファイルをダウンロードし、ローカルにキャッシュします）：

cargo run -p codegraph-api --features codegraph-vector/local-embeddings

モデルキャッシュの場所：

• デフォルトのHugging Faceキャッシュ：~/.cache/huggingface (または$HF_HOME)、hf-hubを介して
• 初回ダウンロード後にオフラインで実行するために、このキャッシュを事前に設定することができます

### 方法2: 事前ビルド済みのバイナリをインストール

```bash
# 最新のリリースをダウンロード
curl -L https://github.com/jakedismo/codegraph-cli-mcp/releases/latest/download/codegraph-$(uname -s)-$(uname -m).tar.gz | tar xz

# PATHに移動
sudo mv codegraph /usr/local/bin/

# インストールを確認
codegraph --version

方法3: Cargoを使用する

# crates.ioから直接インストール (公開された場合)
cargo install codegraph-mcp

# インストールを確認
codegraph --version

🎯 クイックスタート

1. 新しいプロジェクトを初期化

# 現在のディレクトリでCodeGraphを初期化
codegraph init

# プロジェクト名を指定して初期化
codegraph init --name my-project

2. コードベースをインデックス化

# 現在のディレクトリをインデックス化
codegraph index .

# 特定の言語でインデックス化
codegraph index . --languages rust,python,typescript

# または、Osxでより多くのオプションを使用する場合
RUST_LOG=info,codegraph_vector=debug codegraph index . --workers 10 --batch-size 256 --max-seq-len 512 --force                                                    

# ファイル監視でインデックス化
codegraph index . --watch

3. MCPサーバーを起動

# STDIOトランスポートで起動 (デフォルト)
codegraph start stdio

# HTTPトランスポートで起動
codegraph start http --port 3000

# デュアルトランスポートで起動
codegraph start dual --port 3000

### (オプション) ローカル埋め込みで起動

```bash
# 機能を持つビルドを行い (上記のインストール手順を参照)、次に：
export CODEGRAPH_EMBEDDING_PROVIDER=local
export CODEGRAPH_LOCAL_MODEL=sentence-transformers/all-MiniLM-L6-v2
cargo run -p codegraph-api --features codegraph-vector/local-embeddings

4. コードを検索

# 意味的な検索
codegraph search "authentication handler"

# 完全一致検索
codegraph search "fn authenticate" --search-type exact

# ASTベースの検索
codegraph search "function with async keyword" --search-type ast

📖 CLIコマンド

グローバルオプション

codegraph [OPTIONS] <COMMAND>

Options:
  -v, --verbose         詳細なログを有効にする
  --config <PATH>       設定ファイルのパス
  -h, --help           ヘルプを表示
  -V, --version        バージョンを表示

コマンドリファレンス

init - CodeGraphプロジェクトを初期化

codegraph init [OPTIONS] [PATH]

Arguments:
  [PATH]               プロジェクトディレクトリ (デフォルト: 現在のディレクトリ)

Options:
  --name <NAME>        プロジェクト名
  --non-interactive    対話型セットアップをスキップする

start - MCPサーバーを起動

codegraph start <TRANSPORT> [OPTIONS]

Transports:
  stdio                STDIOトランスポート (デフォルト)
  http                 HTTPストリーミングトランスポート
  dual                 STDIOとHTTPの両方

Options:
  --config <PATH>      サーバーの設定ファイル
  --daemon             バックグラウンドで実行
  --pid-file <PATH>    PIDファイルの場所

HTTP Options:
  -h, --host <HOST>    バインドするホスト (デフォルト: 127.0.0.1)
  -p, --port <PORT>    バインドするポート (デフォルト: 3000)
  --tls                TLS/HTTPSを有効にする
  --cert <PATH>        TLS証明書ファイル
  --key <PATH>         TLSキーファイル
  --cors               CORSを有効にする

stop - MCPサーバーを停止

codegraph stop [OPTIONS]

Options:
  --pid-file <PATH>    PIDファイルの場所
  -f, --force          グレースフルシャットダウンせずに強制停止する

status - サーバーの状態を確認

codegraph status [OPTIONS]

Options:
  --pid-file <PATH>    PIDファイルの場所
  -d, --detailed       詳細な状態情報を表示する

index - プロジェクトをインデックス化

codegraph index <PATH> [OPTIONS]

Arguments:
  <PATH>               プロジェクトディレクトリのパス

Options:
  -l, --languages <LANGS>     インデックス化する言語 (カンマ区切り)
  --exclude <PATTERNS>        除外するパターン (gitignore形式)
  --include <PATTERNS>        これらのパターンのみを含める
  -r, --recursive             サブディレクトリを再帰的にインデックス化する
  --force                     再インデックス化を強制する
  --watch                     変更を監視する
  --workers <N>               並列ワーカーの数 (デフォルト: 4)

search - インデックス化されたコードを検索

codegraph search <QUERY> [OPTIONS]

Arguments:
  <QUERY>              検索クエリ

Options:
  -t, --search-type <TYPE>    検索タイプ (semantic|exact|fuzzy|regex|ast)
  -l, --limit <N>             最大結果数 (デフォルト: 10)
  --threshold <FLOAT>         類似度閾値 0.0-1.0 (デフォルト: 0.7)
  -f, --format <FORMAT>       出力形式 (human|json|yaml|table)

config - 設定を管理

codegraph config <ACTION> [OPTIONS]

Actions:
  show                 現在の設定を表示する
  set <KEY> <VALUE>    設定値を設定する
  get <KEY>            設定値を取得する
  reset                デフォルトにリセットする
  validate             設定を検証する

Options:
  --json               JSON形式で出力する (showの場合)
  -y, --yes            確認をスキップする (resetの場合)

stats - 統計情報を表示

codegraph stats [OPTIONS]

Options:
  --index              インデックスの統計情報を表示する
  --server             サーバーの統計情報を表示する
  --performance        パフォーマンスメトリクスを表示する
  -f, --format <FMT>   出力形式 (table|json|yaml|human)

clean - リソースをクリーンアップ

codegraph clean [OPTIONS]

Options:
  --index              インデックスデータベースをクリーンアップする
  --vectors            ベクトル埋め込みをクリーンアップする
  --cache              キャッシュファイルをクリーンアップする
  --all                すべてのリソースをクリーンアップする
  -y, --yes            確認プロンプトをスキップする

⚙️ 設定

設定ファイルの構造

.codegraph/config.tomlファイルを作成します：

# 一般設定
[general]
project_name = "my-project"
version = "1.0.0"
log_level = "info"

# インデックス化設定
[indexing]
languages = ["rust", "python", "typescript"]
exclude_patterns = ["**/node_modules/**", "**/target/**", "**/.git/**"]
include_patterns = ["src/**", "lib/**"]
recursive = true
workers = 4
watch_enabled = false
incremental = true

# 埋め込み設定
[embedding]
model = "openai"  # オプション: openai, local, custom
dimension = 1536
batch_size = 100
cache_enabled = true
cache_size_mb = 500

# ベクトル検索設定
[vector]
index_type = "flat"  # オプション: flat, ivf, hnsw
nprobe = 10
similarity_metric = "cosine"  # オプション: cosine, euclidean, inner_product

# データベース設定
[database]
path = "~/.codegraph/db"
cache_size_mb = 128
compression = true
write_buffer_size_mb = 64

# サーバー設定
[server]
default_transport = "stdio"
http_host = "127.0.0.1"
http_port = 3000
enable_tls = false
cors_enabled = true
max_connections = 100

# パフォーマンス設定
[performance]
max_file_size_kb = 1024
parallel_threads = 8
memory_limit_mb = 2048
optimization_level = "balanced"  # オプション: speed, balanced, memory

環境変数

# 環境変数で設定を上書きする
export CODEGRAPH_LOG_LEVEL=debug
export CODEGRAPH_DB_PATH=/custom/path/db
export CODEGRAPH_EMBEDDING_MODEL=local
export CODEGRAPH_HTTP_PORT=8080

埋め込みモデルの設定

OpenAI埋め込み

[embedding.openai]
api_key = "${OPENAI_API_KEY}"  # 環境変数を使用する
model = "text-embedding-3-large"
dimension = 3072

ローカル埋め込み

[embedding.local]
model_path = "~/.codegraph/models/codestral.gguf"
device = "cpu"  # オプション: cpu, cuda, metal
context_length = 8192

📚 ユーザーワークフロー

ワークフロー1: 完全なプロジェクトのセットアップと分析

# ステップ1: プロジェクトを初期化
codegraph init --name my-awesome-project

# ステップ2: 設定を構成
codegraph config set embedding.model local
codegraph config set performance.optimization_level speed

# ステップ3: コードベースをインデックス化
codegraph index . --languages rust,python --recursive

# ステップ4: MCPサーバーを起動
codegraph start http --port 3000 --daemon

# ステップ5: 検索と分析
codegraph search "database connection" --limit 20
codegraph stats --index --performance

ワークフロー2: ウォッチモードでの継続的な開発

# ウォッチモードでインデックス化を開始
codegraph index . --watch --workers 8 &

# デュアルモードでMCPサーバーを起動
codegraph start dual --daemon

# 変更を監視
codegraph status --detailed

# 開発中に検索
codegraph search "TODO" --search-type exact

ワークフロー3: AIツールとの統合

# Claude DesktopまたはVS Code用にMCPサーバーを起動
codegraph start stdio

# AIアシスタントとの統合を構成
cat > ~/.codegraph/mcp-config.json << EOF
{
  "name": "codegraph-server",
  "version": "1.0.0",
  "tools": [
    {
      "name": "analyze_architecture",
      "description": "Analyze codebase architecture"
    },
    {
      "name": "find_patterns",
      "description": "Find code patterns and anti-patterns"
    }
  ]
}
EOF

ワークフロー4: 大規模コードベースの最適化

# 大規模コードベースに最適化
codegraph config set performance.memory_limit_mb 8192
codegraph config set vector.index_type ivf
codegraph config set database.compression true

# 最適化を適用してインデックス化
codegraph index /path/to/large/project \
  --workers 16 \
  --exclude "**/test/**,**/vendor/**"

# バッチ操作を使用
codegraph search "class.*Controller" --search-type regex --limit 100

🔌 統合ガイド

Claude Desktopとの統合

1. Claude Desktopの設定に追加します：

{
  "mcpServers": {
    "codegraph": {
      "command": "codegraph",
      "args": ["start", "stdio"],
      "env": {
        "CODEGRAPH_CONFIG": "~/.codegraph/config.toml"
      }
    }
  }
}

2. Claude Desktopを再起動してMCPサーバーを読み込みます。

VS Codeとの統合

1. VS Code用のMCP拡張機能をインストールします。
2. VS Codeの設定に追加します：

{
  "mcp.servers": {
    "codegraph": {
      "command": "codegraph",
      "args": ["start", "stdio"],
      "rootPath": "${workspaceFolder}"
    }
  }
}

API統合

import requests
import json

# HTTP MCPサーバーに接続
base_url = "http://localhost:3000"

# プロジェクトをインデックス化
response = requests.post(f"{base_url}/index", json={
    "path": "/path/to/project",
    "languages": ["python", "javascript"]
})

# コードを検索
response = requests.post(f"{base_url}/search", json={
    "query": "async function",
    "limit": 10
})

results = response.json()

CI/CDでの使用

# GitHub Actionsの例
name: CodeGraph Analysis

on: [push, pull_request]

jobs:
  analyze:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v2
      
      - name: Install CodeGraph
        run: |
          cargo install codegraph-mcp
      
      - name: Index Codebase
        run: |
          codegraph init --non-interactive
          codegraph index . --languages rust,python
      
      - name: Run Analysis
        run: |
          codegraph stats --index --format json > analysis.json
      
      - name: Upload Results
        uses: actions/upload-artifact@v2
        with:
          name: codegraph-analysis
          path: analysis.json

🔧 トラブルシューティング

一般的な問題と解決策

問題: サーバーが起動しない

解決策:

# ポートがすでに使用されているか確認
lsof -i :3000

# 既存のプロセスを終了
codegraph stop --force

# 別のポートで起動
codegraph start http --port 3001

問題: インデックス化が遅い

解決策:

# ワーカーを増やす
codegraph index . --workers 16

# 不要なファイルを除外
codegraph index . --exclude "**/node_modules/**,**/dist/**"

# インクリメンタルインデックスを使用
codegraph config set indexing.incremental true

問題: インデックス化中にメモリ不足

解決策:

# バッチサイズを減らす
codegraph config set embedding.batch_size 50

# メモリ使用量を制限
codegraph config set performance.memory_limit_mb 1024

# ストリーミングモードを使用
codegraph index . --streaming

問題: ベクトル検索の結果が不十分

解決策:

# 類似度閾値を調整
codegraph search "query" --threshold 0.5

# より良い埋め込みで再インデックス化
codegraph config set embedding.model openai
codegraph index . --force

# 別の検索タイプを使用
codegraph search "query" --search-type fuzzy

#### 問題: Hugging Faceモデルのダウンロードに失敗する

**解決策:**
```bash
# インターネットアクセスがあり、モデル名が正しいことを確認
export CODEGRAPH_LOCAL_MODEL=sentence-transformers/all-MiniLM-L6-v2

# モデルがプライベートの場合、HFトークンを設定する (環境によって必要)
export HF_TOKEN=your_hf_access_token

# キャッシュをクリア/確認 (デフォルト): ~/.cache/huggingface
ls -lah ~/.cache/huggingface

# 注意: モデルにはsafetensorsウェイトが含まれている必要があります。PyTorchの.binのみのモデルは、ここでのローカルローダーではサポートされていません

問題: ローカル埋め込みが遅い

解決策:

# 設定または環境を介してバッチサイズを減らす (CPUのデフォルトは安定性を優先)
# より小さいモデル (例: all-MiniLM-L6-v2) を使用するか、GPUバックエンドを有効にすることを検討してください。

# Apple Silicon (Metal) またはCUDAの場合、設定で追加の配線を有効にすることができます。
# 現在のデフォルトはCPUを使用しています。環境でデバイスセレクターを有効にするには、メンテナに問い合わせてください。

### デバッグモード

トラブルシューティングのためにデバッグログを有効にします：

```bash
# デバッグログレベルを設定
export RUST_LOG=debug
codegraph --verbose index .

# ログを確認
tail -f ~/.codegraph/logs/codegraph.log

ヘルスチェック

# システムのヘルスを確認
codegraph status --detailed

# 設定を検証
codegraph config validate

# データベース接続をテスト
codegraph test db

# 埋め込みを検証
codegraph test embeddings

🤝 コントリビュート

コントリビューションを歓迎します！詳細については、コントリビュートガイドを参照してください。

開発環境のセットアップ

# リポジトリをクローン
git clone https://github.com/jakedismo/codegraph-cli-mcp.git
cd codegraph-cli-mcp

# 開発用の依存関係をインストール
cargo install cargo-watch cargo-nextest

# テストを実行
cargo nextest run

# ウォッチモードで実行
cargo watch -x check -x test

📄 ライセンス

このプロジェクトはMITおよびApache 2.0ライセンスのデュアルライセンスです。詳細については、LICENSE-MITおよびLICENSE-APACHEを参照してください。

🙏 謝辞

• Rustで構築
• Tree-sitterによるサポート
• FAISSによるベクトル検索
• RocksDBによるグラフストレージ
• AnthropicによるMCPプロトコル

CodeGraphチームによる愛で作られました ❤️