持久化代码 MCP 服务器与 LlamaIndex

这是一个基于模型上下文协议（MCP）的服务器，它能够创建并维护由 Claude 生成的代码的语义知识图谱。通过 LlamaIndex 的支持，该服务器能够在会话之间保持上下文，并提供高级的语义搜索功能，而无需将整个代码库都加载到上下文窗口中。

问题与解决方案

在使用 Claude 开发软件时遇到的问题：

• 上下文窗口有限，难以处理大型代码库
• 在不同会话之间丢失之前的代码上下文
• Claude 缺乏对项目结构的持久理解
• 每次会话都需要重复解释代码
• 维护实现一致性具有挑战性

持久化代码通过以下方式解决这些问题：

• 创建代码组件及其关系的知识图谱
• 跟踪每个组件的实现状态
• 提供导航、查询和理解代码库的工具
• 为特定编码任务组装最小必要的上下文
• 在聊天会话间保持持久化的知识

LlamaIndex 集成

持久化代码利用 LlamaIndex 提供增强的语义理解能力：

1. 语义搜索：根据意义而不是关键词查找代码组件
2. 向量嵌入：将代码嵌入向量空间以进行相似度匹配
3. 知识图谱：语义上跟踪组件之间的关系
4. 上下文检索：基于语义相关性检索相关代码

这种集成使得 Claude 能够更深入地理解您的代码库：

• 根据函数的功能而不是名称来查找它们
• 准备上下文时获取更相关的代码组件
• 更好地理解组件之间的关系
• 更准确地检索类似实现的例子

安装

前提条件

• Python 3.10 或更高版本
• UV 包管理器（推荐）或 pip

设置

bash

克隆仓库

git clone https://github.com/your-username/persistent-code-mcp.git
cd persistent-code-mcp

使用 UV 设置环境

uv venv
source .venv/bin/activate # 在 Windows 上: .venvScriptsactivate
uv pip install -r requirements.txt

或者使用 pip

python -m venv venv
source venv/bin/activate # 在 Windows 上: venvScriptsactivate
pip install -r requirements.txt

使用

初始化项目

bash
python -m persistent_code init --project-name "YourProject"

启动服务器

bash
python -m persistent_code serve --project-name "YourProject"

为桌面版 Claude 配置

1. 编辑你的 Claude for Desktop 配置文件：
   • 位置: ~/Library/Application Support/Claude/claude_desktop_config.json
   • 添加如下配置：

json
{
"mcpServers": {
"persistent-code": {
"command": "虚拟环境中 python 的路径",
"args": [
"-m",
"persistent_code",
"serve",
"--project-name",
"default"
],
"cwd": "persistent-code-mcp",
"env": {
"PYTHONPATH": "persistent-code-mcp 的绝对路径"
}
}
}
}

1. 重启 Claude for Desktop
2. 通过询问 Claude 关于你的代码来连接到你的 MCP 服务器

可用工具

知识图谱管理

• add_component：向图谱中添加新的代码组件
• update_component：更新现有组件
• add_relationship：在组件之间创建关系

代码检索与导航

• get_component：通过 ID 或名称检索组件
• find_related_components：找到与给定组件相关的组件
• search_code：语义搜索代码库

状态管理

• update_status：更新组件的实现状态
• get_project_status：检索整个项目的实现状态
• find_next_tasks：建议接下来要实现的逻辑组件

上下文组装

• prepare_context：为特定任务组装最小必要的上下文- continue_implementation: 提供上下文以继续实现组件
• get_implementation_plan: 为待实现的组件生成实施计划

代码分析

• analyze_code: 分析代码并更新知识图谱

示例工作流程

1. 初始化项目：
   bash
   python -m persistent_code init --project-name "TodoApp"

2. 启动服务器：
   bash
   python -m persistent_code serve --project-name "TodoApp"

3. 请求Claude帮助设计项目：

   你能帮我用Python和FastAPI设计一个待办事项应用程序吗？让我们从核心数据模型开始。

4. Claude将创建组件并在知识图谱中跟踪它们

5. 在稍后的会话中继续开发：

   让我们继续开发待办事项应用程序。我们的实现状态如何？

6. Claude将检索当前状态并建议下一步操作

7. 实现特定组件：

   让我们为待办事项应用程序实现任务完成端点

8. Claude将检索相关上下文并提供一致的实现

使用语义搜索

通过LlamaIndex集成，你现在可以使用更自然的语言来查找组件：

找到所有与处理任务完成相关的代码

即使这些组件不明确包含“任务完成”这几个词，Claude也会使用语义搜索来找到相关的组件。

运行LlamaIndex演示

我们包含了一个演示脚本来展示语义功能：

bash

激活你的虚拟环境

source .venv/bin/activate # 或者 source venv/bin/activate

运行演示

python examples/llama_index_demo.py

这将演示分析一个日历应用程序并执行功能的语义搜索。

贡献

欢迎贡献！请随时提交Pull Request。

许可证

本项目采用MIT许可证 - 详情请参阅LICENSE文件。