graphlens-mcp строит граф кода одной командой и снижает расход токенов в 10–23 раза

graphlens-mcp — новый MCP-сервер поверх движка graphlens, который строит структурный граф кода одной командой и сразу делает его доступным AI-агенту без ручной обвязки.

Что умеет движок graphlens берёт исходники на

Python, TypeScript, Go, Rust и PHP и нормализует их в единый типизированный граф. Узлы — символы: функции, классы, переменные, методы. Рёбра описывают отношения: `CALLS` (вызов), `HAS_TYPE` (тип), `INHERITS_FROM` (наследование). Каждый узел получает детерминированный SHA-256 ID, поэтому результат воспроизводим между запусками и пригоден для кешируемых агентских пайплайнов. Принципиальное отличие от grep — понимание семантики. Grep ищет текст построчно: он не знает, является ли найденная строка именем функции, аргументом или комментарием. Граф оперирует символами и их отношениями. Если Python-бэкенд вызывает TypeScript-клиент, ребро `CALLS` пройдёт через языковую границу и сохранится в графе. Для монорепозиториев и fullstack-проектов это критично: зависимости между слоями становятся явными объектами, а не строками текста, которые нужно прослеживать вручную.

Что показал замер на реальном коде

Автор прогнал 936 тестов на apache/superset — open-source проекте примерно с 400 тысячами строк кода на Python и TypeScript. Тестовая граница — точки входа `/api/v1/...`.

Задача каждого теста — ответить на вопросы вида «что изменится, если я трону эту функцию?» 936 прогонов достаточно для статистически значимых выводов. Результаты: Анализ влияния (impact analysis): граф дешевле grep по стоимости токенов в 10–23 раза Точечные запросы («найди определение», «покажи вызовы метода»): разница минимальна Межъязыковые цепочки (Python → TypeScript): grep не находит вообще — граф строит полный путь Стабильность: SHA-256 ID дают воспроизводимые результаты при повторных запусках агента Там, где нужно понять, что сломается при изменении функции или класса — граф выигрывает многократно.

Там, где достаточно найти строку по шаблону — разница незначительна. Экономия на токенах особенно ощутима на больших кодовых базах с высокой связностью между модулями.

От движка к готовому продукту

Предыдущие статьи описывали сам движок graphlens — внутреннюю механику построения графа. Но движок — это не продукт. Чтобы подключить его к AI-агенту, нужно было самостоятельно установить зависимости, настроить API и написать прослойку под конкретный протокол взаимодействия. Для большинства разработчиков это серьёзный порог.

«Движок — это не продукт.

Чтобы реально подключить graphlens к агенту, недостаточно pip install и API. Нужно написать кучу обвязки», — признаёт автор. graphlens-mcp закрывает этот пробел. Под капотом — тот же движок, но поверх него — готовый MCP-сервер, который принимает запросы от агента в стандартизированном формате сразу после установки. MCP (Model Context Protocol) стал фактическим стандартом интеграции внешних инструментов с языковыми моделями — его поддерживают Claude, GPT и большинство современных AI-фреймворков. graphlens-mcp совместим с любым агентом, поддерживающим этот протокол, без дополнительной настройки. Установка — одна команда. По словам автора, от неё до первого реального результата на собственном проекте — пять минут. Продукт в стадии alpha, лицензия MIT, распространяется бесплатно.

Что это значит

Структурный граф кода как инструмент для AI-агентов — не теория, а измеримая практика с конкретными числами на реальном коде. graphlens-mcp снижает порог входа для команд, которые строят агентов для code review, рефакторинга или анализа зависимостей: вместо самостоятельной сборки интеграции — готовый инструмент с документированной эффективностью. Открытый исходный код и бесплатная лицензия позволяют попробовать без каких-либо коммерческих обязательств.