Новость

Codebase-Memory-MCP создает постоянный граф знаний для AI-агентов кодирования

1 источник

Все новости

Codebase-Memory-MCP — это сервер MCP на чистом C в виде одного статического бинарника без зависимостей. Он парсит 158 языков через tree-sitter, индексирует ядро Linux за несколько минут и сокращает использование токенов для структурных запросов на 99%.

Команда DeusData выпустила Codebase-Memory-MCP — сервер MCP, реализованный на чистом C в виде единого статического бинарника без зависимостей. Инструмент предназначен для снижения затрат токенов у AI-агентов кодирования, которые повторно сканируют файлы, и сокращает использование токенов для структурных запросов на 99%. С помощью анализа AST на основе tree-sitter он парсит 158 языков, индексирует ядро Linux объемом 28 млн строк примерно за 3 минуты и отвечает на структурные запросы менее чем за миллисекунду. Проект можно внедрять в рабочие процессы с Claude Code, Codex и другими аналогичными агентами для больших монорепозиториев. Исходный код опубликован на GitHub: DeusData/codebase-memory-mcp.

Источники 1
  • Codebase-Memory-MCP создает постоянный граф знаний для AI-агентов кодирования KDnuggets 
    🔬 AI Research Digest
📅 Week of July 14–21, 2026
━━━━━━━━━━━━━━━━━━━━━━━━

1. 🐦 Colibri: Run a 744B MoE Model on 25 GB of RAM
Authors/Org: JustVugg (open-source) | GitHub: JustVugg/colibri
Bottleneck solved: Hardware/cost barriers for running frontier-scale models locally — no GPU, no cloud spend required.
Colibri is a ~2,400-line pure-C inference engine that streams only the active MoE experts from disk at runtime, keeping just 9.9 GB of dense model weights resident in RAM. Developers and researchers who want to run GLM-5.2 locally for experimentation or fine-tuning evaluation can now do so on a standard consumer machine.
🔗 JustVugg/colibri on GitHub

━━━━━━━━━━━━━━━━━━━━━━━━

2. ⚡ Hawk: Hardware-Aware LLM Framework for NPU Kernel Generation
Authors/Org: Junyi Wen, Ruiyan Zhuang, Yongjia Xu et al. | arXiv: 2607.01590
Bottleneck solved: LLMs fail on NPU kernel generation because they lack hardware-specific priors — Hawk raises accuracy from 49.4% to 80.0% without retraining.
Hawk uses three plug-and-play modules (runtime knowledge synthesis, bottleneck-aware retrieval, and effect-driven distillation) to inject real hardware constraints into any LLM's reasoning loop, also delivering up to 2.2× execution speedup over prior baselines. ML infrastructure teams targeting Ascend or custom AI accelerators can layer Hawk on top of existing LLM toolchains immediately.
🔗 arXiv 2607.01590 — Hawk

━━━━━━━━━━━━━━━━━━━━━━━━

3. 🧠 Codebase-Memory-MCP: Persistent Knowledge Graph for AI Coding Agents
Authors/Org: DeusData | GitHub: DeusData/codebase-memory-mcp
Bottleneck solved: AI coding agents waste hundreds of thousands of tokens re-scanning files on every query — this cuts structural-query token usage by 99%.
Built in pure C as a single static binary with zero dependencies, it parses 158 languages via tree-sitter AST analysis, indexes the Linux kernel (28 M lines) in ~3 minutes, and answers structural queries in under a millisecond. Any team running Claude Code, Codex, or similar agents on large monorepos can drop this MCP server in to immediately slash context costs and speed up agent tool calls.
🔗 DeusData/codebase-memory-mcp on GitHub

━━━━━━━━━━━━━━━━━━━━━━━━
💡 Stay curious. Read the papers.

For More: @kdnuggets @datasciencechats