Claude Context — 基于语义搜索的代码库上下文插件

这个 Agent 能做什么，适合哪些场景？

Claude Context 是一个 MCP 插件，利用语义搜索为 Claude Code 等 AI 编码助手提供整个代码库的深度上下文。它通过向量数据库索引代码库，仅将相关代码片段注入上下文，从而在保持检索质量的同时大幅降低成本。该项目是一个 monorepo，包含核心索引引擎（@zilliz/claude-context-core）、MCP 服务器（@zilliz/claude-context-mcp）以及一个 VS Code 扩展。它支持混合搜索（BM25 + 稠密向量）、增量索引（基于 Merkle 树）和基于抽象语法树（AST）的智能代码切分。部署需要 OpenAI 嵌入 API 和 Zilliz Cloud 或 Milvus 向量数据库，通过标准 stdio 传输遵循 MCP 协议。

Claude Context 在初始化时接受代码库目录，将文件拆分为块，通过 OpenAI（或配置的）嵌入模型生成嵌入向量，并将嵌入存储到 Milvus/Zilliz Cloud 中。它提供 MCP 工具：index_codebase（索引代码库）、search_code（自然语言混合搜索）、clear_index（清除索引）、get_indexing_status（查看进度）。搜索时，它使用 BM25 和稠密向量检索相关的代码片段，并提供文件路径、行号和内容。架构包括 Context、MilvusVectorDatabase、OpenAIEmbedding 等核心类；MCP 服务器通过 npx @zilliz/claude-context-mcp 运行，支持多个 MCP 客户端，如 Claude Code、Codex CLI、Gemini CLI、Cursor 等。

1. 开发者在 Claude Code 中处理大型或陌生的代码库，需要快速定位实现特定功能的代码，避免手动搜索。
2. 编码代理工程师希望在不将整个代码库加载到上下文的情况下，减少标记消耗和成本，提升响应速度和效率。
3. 技术团队需要将代码库语义上下文集成到多种 AI 工具（如 Cursor、Gemini CLI）中，希望采用标准 MCP 协议并支持混合搜索。
4. 维护大型项目的开发者需要高效索引和增量更新（仅重新索引修改的文件），以保持上下文最新并控制成本。
5. VSCode 用户希望在不离开 IDE 的情况下，使用自然语言搜索代码，获得相关片段和行号。

这个 Agent 有哪些优点和局限？

如何安装或部署这个 Agent？

前置条件： Node.js >= 20；获取 OpenAI API 密钥；获取 Zilliz Cloud 实例（公共端点和 API 密钥）。

对于 Claude Code，运行：

claude mcp add claude-context \
  -e OPENAI_API_KEY=sk-your-openai-api-key \
  -e MILVUS_ADDRESS=your-zilliz-cloud-public-endpoint \
  -e MILVUS_TOKEN=your-zilliz-cloud-api-key \
  -- npx @zilliz/claude-context-mcp@latest

其他客户端配置见 README 对应部分。

如何使用这个 Agent？

1. 在项目目录中启动 Claude Code（claude）。
2. 使用自然语言指令：“Index this codebase” 进行索引。
3. 使用“Check the indexing status”查看进度。
4. 直接提问，例如：“Find functions that handle user authentication”。

也可以使用核心包在 TypeScript 应用程序中集成：

import { Context, MilvusVectorDatabase, OpenAIEmbedding } from '@zilliz/claude-context-core';
const embedding = new OpenAIEmbedding({ apiKey: 'your-openai-api-key', model: 'text-embedding-3-small' });
const vectorDatabase = new MilvusVectorDatabase({ address: 'your-zilliz-cloud-public-endpoint', token: 'your-zilliz-cloud-api-key' });
const context = new Context({ embedding, vectorDatabase });
const stats = await context.indexCodebase('./your-project', (progress) => {});
const results = await context.semanticSearch('./your-project', 'vector database operations', 5);

这个 Agent 与同类方案有什么区别？

常见问题