KI Agent Token-Kosten um 99% senken

codebase-memory-mcp: Das fehlende Gedächtnis für Ihre Coding-Agenten

TL;DR: codebase-memory-mcp indiziert Ihr Repository in einem persistenten Wissensgraphen. Dadurch beantwortet Ihr Coding-Agent strukturelle Fragen aus dem Graphen, statt sich durch Grepping und das Lesen einzelner Dateien zu arbeiten. In den Projektmessungen benötigten fünf strukturelle Abfragen etwa 3.400 statt 412.000 Tokens – eine Reduzierung um 99,2 %. Das in C geschriebene Tool wird als einzelne native Binärdatei ohne Laufzeitumgebung und API-Schlüssel ausgeliefert, unterstützt mehr als 160 Sprachen und läuft vollständig lokal. Stand 1. September 2026 hat das MIT-lizenzierte Projekt 41.536 Sterne.

Apidog heute ausprobieren

Dies ist ein tiefer Einblick in ein Tool aus unserer Zusammenstellung der fünf Open-Source-KI-Agenten-Tools für 2026.

Das Problem: strukturelle Fragen sind teuer

Fragen Sie Ihren Agenten, wo eine Funktion aufgerufen wird, und beobachten Sie, was passiert:

1. Er führt grep aus.
2. Er liest drei Dateien.
3. Er sucht mit einem anderen Muster erneut.
4. Er liest vier weitere Dateien.
5. Nach Zehntausenden Tokens antwortet er korrekt.

Bei der nächsten Frage beginnt die Suche von vorn. In langen Sitzungen verbraucht diese Schleife einen großen Teil des Nutzungslimits. Gleichzeitig sinkt die Antwortqualität: Ein Kontextfenster voller Dateiinhalte lässt weniger Platz für Schlussfolgerungen.

codebase-memory-mcp löst beide Probleme mit einem persistenten Wissensgraphen.

Was codebase-memory-mcp macht

Das Tool parst Ihr Repository und erstellt einen Graphen aus:

• Funktionen und Klassen
• Aufrufketten
• HTTP-Routen
• dienstübergreifenden Verknüpfungen
• Architekturbeziehungen

Strukturelle Fragen werden anschließend aus diesem Graphen beantwortet, statt bei jeder Sitzung den Quellcode erneut zu durchsuchen.

Das Parsing basiert auf der tree-sitter-AST-Analyse für mehr als 160 Sprachen. Eine hybride LSP-Schicht ergänzt die AST-Daten um semantische Typauflösung für eine Kerngruppe von Sprachen und Sprachfamilien: Python, TypeScript und JavaScript einschließlich JSX und TSX, PHP, C#, Go, C, C++, Java, Kotlin, Rust und Perl.

Der Unterschied ist entscheidend:

• AST-Parsing erkennt, dass eine Methode namens save aufgerufen wird.
• Typauflösung erkennt, zu welcher Klasse diese Methode gehört.

Die Ergebnisse stehen über 15 MCP-Tools zur Verfügung. Sie decken unter anderem ab:

• Suche und Aufrufketten-Tracing
• Architekturübersichten
• Impact-Analysen
• Index-Abdeckungsprüfungen
• direkte Cypher-Abfragen
• Erkennung von totem Code
• dienstübergreifende HTTP-Verknüpfungen
• ADR-Management

Da es sich um einen Model-Context-Protocol-Server handelt, kann jeder kompatible Client das Tool verwenden. Das Projekt listet 45 unterstützte Agenten-Oberflächen auf, darunter Claude Code, Codex, Cursor, Windsurf, OpenCode, Gemini CLI, Aider und Kilocode.

Die Zahlen richtig einordnen

Es gibt zwei unabhängige Datensätze.

Projektmessung

Fünf strukturelle Abfragen benötigten:

• etwa 3.400 Tokens über den Graphen
• etwa 412.000 Tokens bei dateiweiser Grep-Exploration

Das entspricht einer Reduzierung um 99,2 % oder ungefähr 120-mal weniger Tokens für dieselben Antworten.

Akademische Evaluation

Der Preprint Codebase-Memory: Tree-Sitter-Based Knowledge Graphs for LLM Code Exploration via MCP evaluiert das Verfahren auf 31 realen Repositories. Die Ergebnisse:

• 83 % Antwortqualität
• 10-mal weniger Tokens
• 2,1-mal weniger Tool-Aufrufe

Die Differenz zwischen 120x und 10x ist wichtig. Die 120x-Messung betrifft fünf strukturelle Abfragen – also genau den Anwendungsfall, für den ein Graph besonders geeignet ist. Die 10x-Messung basiert auf einer breiteren Mischung von Aufgaben und 31 Repositories.

Planen Sie im Alltag mit dem konservativeren Faktor 10. Alles darüber ist ein zusätzlicher Vorteil.

Geschwindigkeit und Ressourcenverbrauch

Das Projekt gibt folgende Werte an:

• Linux-Kernel mit 28 Millionen Zeilen und 75.000 Dateien: etwa drei Minuten für die Indizierung
• durchschnittliche Repositories: Millisekunden
• strukturelle Abfragen: unter einer Millisekunde

Die Pipeline arbeitet RAM-basiert mit LZ4-Komprimierung, In-Memory-SQLite und fusioniertem Aho-Corasick-Pattern-Matching. Nach der Indizierung wird der Speicher wieder freigegeben.

Die Implementierung in C statt TypeScript oder Python erklärt diese Werte und macht eine separate Laufzeitumgebung überflüssig.

Installation

macOS und Linux

curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash

Windows

Verwenden Sie unter Windows die vom Projekt empfohlenen Schritte, statt ein Skript blind auszuführen:

Invoke-WebRequest -Uri https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.ps1 -OutFile install.ps1
notepad install.ps1        # zuerst lesen
Unblock-File .\install.ps1
.\install.ps1

Nützliche Optionen:

• --skip-config: nur die Binärdatei installieren, ohne Agenten-Konfiguration
• --dir=<path>: benutzerdefinierten Installationsort verwenden

Der Installer erkennt installierte Coding-Agenten automatisch und schreibt deren dokumentierte MCP-Einträge. Je nach Client werden zusätzlich Anweisungen, Fähigkeiten und Lifecycle-Hooks eingerichtet.

Unter macOS entfernt der Installer Quarantäne-Attribute und signiert die Binärdatei ad hoc. Manuelle xattr- oder codesign-Schritte sind dadurch nicht erforderlich.

Starten Sie danach Ihren Agenten neu und weisen Sie ihn an, das Projekt zu indizieren.

Sinnvolle Konfiguration am ersten Tag

Automatische Indizierung für neue Projekte aktivieren:

codebase-memory-mcp config set auto_index true
codebase-memory-mcp config set auto_index_limit 50000

Den integrierten Graph-Viewer starten:

codebase-memory-mcp --ui=true --port=9749

Öffnen Sie anschließend http://localhost:9749. Die 3D-Visualisierung ist nützlich, um unerwartete Strukturen zu erkennen und zu prüfen, ob der Index Ihr Repository vollständig abdeckt.

Wenn Sie mit vielen Repositories arbeiten, können Sie Sitzungen vom Hintergrund-Watcher ausnehmen:

codebase-memory-mcp config set auto_watch false
codebase-memory-mcp config set watcher_enabled false

watcher_enabled wird nur beim Start des Daemons gelesen. Beenden und starten Sie den Daemon nach dieser Änderung neu.

Zwei Prüfungen vor der Verwendung

Beide Punkte sind vom Projekt dokumentiert und sollten vor dem produktiven Einsatz kurz geprüft werden.

Microsoft Defender kann einen False Positive melden

Microsoft Defender kann eine Release-Binärdatei als Trojan:Script/Wacatac.B!ml kennzeichnen. Das Projekt dokumentiert dies als bekannten Fehlalarm und gibt an, dass typischerweise 61 von etwa 62 Engines ein sauberes Ergebnis liefern. Dieselbe Erkennungsfamilie wurde unter anderem bei der GitHub CLI, llama.cpp, Godot und Microsofts eigener Go-Toolchain beobachtet.

Jede Veröffentlichung wird laut Projekt vor dem Release auf VirusTotal geprüft; die Release Notes verlinken die jeweiligen Ergebnisse. Das zugrunde liegende Problem betrifft heuristische Erkennung kleiner, unsignierter nativer Binärdateien.

Das Tool liest Ihren Code und ändert Agenten-Konfigurationen

Das ist seine Aufgabe. Der vollständige Quellcode ist unter MIT verfügbar, Releases enthalten eine OpenSSF Scorecard und SLSA-Level-3-Provenienz. Die Verarbeitung erfolgt lokal.

Das Projekt gibt außerdem an, dass es:

• keine eigenen Netzwerkanfragen stellt
• keine Updates im Hintergrund prüft
• keine Telemetrie oder „Heimtelefonate“ durchführt

Updates werden vom neben der Binärdatei installierten Skript ausgeführt, nicht aus dem laufenden Prozess heraus.

Die praktische Konsequenz ist einfach: Lesen Sie das Installationsskript, bevor Sie es an Bash übergeben. Prüfen Sie die Behauptung zur rein lokalen Ausführung selbst, wenn sie für Ihre Umgebung wichtig ist. Eine hohe Sternenzahl ist Popularität, kein Sicherheits-Audit.

Warum es das erste Agenten-Tool sein sollte

Andere Tools verändern Ihren Workflow:

• Personas verändern, wie Sie Prompts formulieren.
• Parallele Worktrees verändern die Organisation Ihrer Arbeit.
• Webzugriff verändert, wonach Sie fragen.

codebase-memory-mcp verändert dagegen Ihre Arbeitsweise kaum. Sie installieren es, indizieren das Projekt und vermeiden anschließend Grep-Schleifen.

Der wichtigste Effekt ist nicht nur die Geschwindigkeit, sondern der freibleibende Kontext. Ein Agent, der 400.000 Tokens mit Dateiinhalten verbringt, hat deutlich weniger Raum, um über Ihr eigentliches Problem nachzudenken. Außerdem verschlechtert sich die Erinnerung an früh gelesene Inhalte im Verlauf einer langen Sitzung.

Antworten aus einem Graphen halten den Kontext kompakt. Das ist dieselbe grundsätzliche Überlegung wie bei Agenten-Tool-Antwort-Kontextfenstern: Alles, was unnötig in den Kontext gelangt, macht Agenten-Workflows teurer und weniger zuverlässig.

Die Tools, die Sie tatsächlich nutzen werden

15 MCP-Tools klingen zunächst nach viel Lernaufwand. In der Praxis wählt der Agent die passenden Tools aus. Wichtig ist daher vor allem, welche Fragen jetzt günstig beantwortbar sind.

Impact-Analyse

Vor einer Änderung an einer Funktionssignatur:

Was wird durch diese Änderung beeinflusst?

Der Graph verfolgt Aufrufer im gesamten Repository. Das ist zuverlässiger als Grep, das dynamisches Dispatching und indirekte Abhängigkeiten leicht übersieht.

Aufrufkette-Tracing

Damit lässt sich nachvollziehen, wie die Ausführung einen bestimmten Codeabschnitt erreicht. Das ist besonders hilfreich bei unbekannten Repositories und erspart das manuelle Lesen mehrerer Dateien „nach oben“.

Architekturübersicht

Eine strukturelle Karte des Projekts, ohne dass der Agent den gesamten Verzeichnisbaum lesen muss. Das ist besonders nützlich beim Onboarding und bei schreibgeschützter Exploration.

Erkennung von totem Code

Finden Sie Code, der von nichts aufgerufen wird, bevor Sie einen Aufräum-Sprint starten.

Dienstübergreifende HTTP-Verknüpfung

Verfolgen Sie einen Aufruf in einem Dienst bis zum Handler in einem anderen. In einer Microservice-Codebasis ist das der Unterschied zwischen dem Verständnis eines einzelnen Repositories und dem Verständnis des Gesamtsystems.

Cypher-Abfragen

Wenn die vorhandenen Tools eine Frage nicht abdecken, fragen Sie den Graphen direkt mit Cypher ab.

Die praktische Veränderung betrifft Ihre Prompts. Fragen, die Sie bisher wegen 50.000 Tokens und zwei Minuten Wartezeit vermieden haben, sind nun nahezu kostenlos:

• „Was ruft diese Funktion auf?“
• „Wie sieht der Request-Pfad für diesen Endpunkt aus?“
• „Welche Komponenten brechen, wenn ich diese Signatur ändere?“

Das Tool verändert damit die Ökonomie Ihrer Neugier.

Was der Graph weiß – und was nicht

Der Graph wird aus Ihrem Code erstellt. Er kennt daher die Struktur Ihrer Implementierung:

• dass die Route /v1/invoices/{id} existiert
• welche Funktion sie bedient
• welche Aufrufkette dorthin führt
• welche Abhängigkeiten eine Änderung beeinflusst

Er kennt jedoch nicht automatisch den vollständigen API-Vertrag. Zum Beispiel:

• dass ein wiederverwendeter Idempotenzschlüssel 409 mit einer bestimmten Fehlerhülle auslöst
• dass status genau fünf gültige Werte besitzt
• dass ein Cursor undurchsichtig und kein Offset ist
• dass ein Feld veraltet ist und im nächsten Quartal entfernt wird

Das sind Vereinbarungen, keine reinen Implementierungsdetails. Ein Agent mit perfektem strukturellem Gedächtnis kann den Vertrag deshalb weiterhin falsch erraten, einen Client gegen eine abgeleitete Form schreiben und gegen ein erfundenes Mock testen.

Darum ergänzen sich Apidog und codebase-memory-mcp:

• Der Graph beantwortet „wo?“: Welcher Handler? Welche Aufrufkette? Was wird durch eine Signaturänderung beeinflusst?
• Die Spezifikation beantwortet „was?“: Echte Schemas, Statuscodes und Fehlerhüllen, die der Agent lesen kann.
• Mocks werden aus der Spezifikation erzeugt, einschließlich Fehlerzweigen.
• Vertragstests schlagen in CI fehl, wenn Implementierung und Vereinbarung auseinanderlaufen.

Mehr dazu:

• OpenAPI-Spezifikationen als Agenten-Tools verwenden
• Was passiert, wenn API-Änderungen KI-Agenten brechen?
• Apidog herunterladen
• API-Tool-Schemas für Agenten entwerfen
• Brauchen Sie im Zeitalter der KI-Agenten noch ein API-Tool?

Code-Gedächtnis ist nicht Arbeitsgedächtnis

Die zweite Grenze ist organisatorisch.

Der Index liegt in einem Cache-Verzeichnis auf einer Maschine und unter einem Konto. Ein Koordinierungsdaemon teilt ihn über lokale Claude-Code-, Codex- und OpenCode-Sitzungen hinweg. Die Grenze dieser Maschine bleibt jedoch bestehen.

Der Graph kennt die Codebasis, nicht die Entscheidungen dahinter. Er kann erkennen, dass ein Wiederholungs-Helper den Zahlungs-Client aufruft. Er weiß nicht:

• warum der Backoff im Juli geändert wurde
• wer die Entscheidung getroffen hat
• welche Alternativen diskutiert wurden
• ob die Änderung geprüft wurde

Teams erleben dadurch eine eigentümliche Lücke: Der Agent erinnert sich besser an den Code als die Menschen im Team, aber überhaupt nicht an die Entscheidungen, die ihn hervorgebracht haben.

Sharkly deckt die andere Hälfte ab, indem es die Aufgabe zum dauerhaften Datensatz macht:

• Arbeit lebt als Aufgaben; Agenten-Ausgaben und Antworten landen als Kommentare.
• Fortschritt und Tool-Aufrufe bleiben an der Aufgabe erhalten.
• Ein Agent ist eine gespeicherte Konfiguration aus Anweisungen, Laufzeit, Fähigkeiten, Repositories und Umgebung.
• Die Ausführung kann auf einem Laptop, Server oder Container erfolgen.
• Repository-Arbeit läuft in einem separaten Worktree pro Aufgabe.
• Eine Aufgabe im Backlog startet keinen Lauf automatisch.
• Bereiche, Projekte, Sprints und Aufgaben können mit Jira synchronisiert werden.

Das ist die sinnvolle Kombination:

• codebase-memory-mcp gibt dem Agenten Gedächtnis für das Repository.
• Sharkly gibt dem Team Gedächtnis für die Arbeit, die Agenten darin erledigen.

FAQ

Funktioniert es mit Cursor, Codex und OpenCode oder nur mit Claude Code?

Es ist ein MCP-Server und funktioniert daher mit jedem kompatiblen MCP-Client. Das Projekt listet 45 unterstützte Agenten-Oberflächen auf; der Installer erkennt installierte Clients automatisch.

Für API-Arbeiten ist außerdem unser Beitrag zu API-Clients in Cursor und Copilot relevant.

Verlässt mein Code meinen Rechner?

Laut Projekt erfolgt die Verarbeitung vollständig lokal. Das Tool stellt nach eigenen Angaben keine eigenen Netzwerkanfragen und prüft keine Updates im Hintergrund. Der Quellcode ist unter MIT lizenziert und kann selbst geprüft werden.

Ist die Token-Reduzierung von 99,2 % realistisch?

Die 99,2 % beziehen sich auf fünf strukturelle Abfragen und damit auf einen besonders passenden Anwendungsfall. Die breitere Evaluation über 31 Repositories berichtet von 10-mal weniger Tokens und 2,1-mal weniger Tool-Aufrufen.

Planen Sie mit dem Faktor 10. Stark strukturelle Aufgaben können besser abschneiden.

Wie groß darf ein Repository sein?

Der angegebene Höchstfall ist der Linux-Kernel mit 28 Millionen Zeilen und 75.000 Dateien, der in etwa drei Minuten indiziert wurde. Das Standardlimit für automatische Indizierung ist auf 50.000 Dateien konfiguriert und anpassbar.

Warum markiert Defender die Binärdatei?

Das Projekt führt dies auf einen bekannten False Positive der ML-Heuristik für kleine, unsignierte native Binärdateien zurück. Es verweist auf VirusTotal-Ergebnisse pro Release und gibt an, dass 61 von ungefähr 62 Engines ein sauberes Ergebnis liefern. Die GitHub CLI und Microsofts eigene Go-Toolchain waren von derselben Erkennungsfamilie betroffen.

Ersetzt das Tool das Lesen des Codes?

Für strukturelle Fragen weitgehend. Für Verhalten, Randfälle und Absicht weiterhin nicht. Für API-Verträge benötigen Sie eine Spezifikation.

Fazit

codebase-memory-mcp ist eines der unauffälligsten und zugleich wirkungsvollsten Tools der Agentenwelle von 2026:

• keine neue Arbeitsweise
• eine einzelne native Binärdatei
• keine zusätzliche Laufzeitumgebung
• lokale Verarbeitung
• deutlich weniger Tokens für strukturelle Fragen

Installieren Sie es, indizieren Sie Ihr Projekt, aktivieren Sie auto_index und öffnen Sie den Graph-Viewer einmal zur Kontrolle. Der Effekt ist besonders groß, wenn mehrere Agenten parallel arbeiten, wie bei Orca.

Behalten Sie dabei zwei Grenzen im Blick:

1. Der Graph weiß, wo Ihr Code ist, aber nicht vollständig, was Ihre API verspricht. Diese Lücke schließen Spezifikation, Mocking und Vertragstests mit Apidog.
2. Der Graph erinnert sich an das Repository, aber nicht an die Arbeit und Entscheidungen dahinter. Diese Lücke schließt ein aufgabenbasiertes Arbeitsgedächtnis wie Sharkly.

Perfekte Erinnerung an den Code ist eine starke Grundlage. Sie ist jedoch nicht dasselbe wie zu wissen, was wahr ist oder was entschieden wurde.