CodeGraph: Code-Wissensgraph für KI-Agenten 2026

Robin, Pexon Consulting | 8 Min. Lesezeit | 22.07.2026

TL;DR

CodeGraph ist ein vorab indexierter Code-Wissensgraph, der KI-Coding-Agenten den passenden Code in einem Aufruf liefert statt Datei für Datei. Das Projekt misst 89 Prozent weniger Tool-Calls und 69 Prozent weniger Tokens. Rust-Kernel, MCP-Server, 100 Prozent lokal. Pexon baut solche Kontext-Effizienz in produktive Agenten-Systeme ein, als 6-Wochen-Pilot.

Das eigentliche Problem: Agenten verschwenden Kontext

Ein KI-Coding-Agent, der eine unbekannte Codebasis versteht, tut das meist mühsam: Er liest eine Datei, folgt einem Import, liest die nächste, sucht per Grep, liest wieder. Jeder dieser Schritte ist ein Tool-Call, und jeder Call frisst Tokens und Zeit. Bei großen Codebasen wird das zum Kostentreiber, den kaum jemand misst.

CodeGraph dreht das um. Statt den Agenten selbst suchen zu lassen, wird die Codebasis vorab in einen Wissensgraphen indexiert. Fragt der Agent nach einer Funktion, bekommt er in einem Aufruf, was er braucht: die Funktion, ihre Aufrufer, ihre aufgerufenen Funktionen und den Wirkungsradius einer Änderung. Das Projekt nennt das „chirurgischen Kontext“, und der Effekt ist messbar. Auf sieben realen Codebasen meldet CodeGraph (Stand Juli 2026) 89 Prozent weniger Tool-Calls, 60 Prozent geringere Kosten und 69 Prozent weniger Tokens gegenüber Agenten ohne Index. Das sind Zahlen des Projekts, kein unabhängiger Benchmark, aber die Richtung deckt sich mit dem, was wir in eigenen Agenten-Projekten sehen: Kontext ist der versteckte Kostenblock.

Wie CodeGraph technisch funktioniert

Der Kern ist ein nativer Rust-Kernel, der über tree-sitter die Syntax von über 35 Sprachen versteht, von TypeScript und Python über Go und Rust bis Swift und Kotlin. Das Ergebnis landet in einer SQLite-Datenbank mit FTS5-Volltextsuche. CodeGraph läuft als CLI-Tool und, entscheidend für den Agenten-Einsatz, als MCP-Server. Über das Model Context Protocol kann jeder MCP-fähige Agent den Graphen abfragen.

Ein paar Eigenschaften stechen heraus: Framework-Erkennung für Routen (Django, FastAPI, Express, NestJS), Cross-Language-Brücken etwa zwischen Swift und Objective-C, und ein nativer File-Watcher, der den Index automatisch aktuell hält. Kein manuelles Re-Indexing. Der Einstieg ist ein Einzeiler:

# CodeGraph installieren und eine Codebasis indexieren
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh
codegraph install
codegraph init

Wichtig für regulierte Umgebungen: CodeGraph arbeitet zu 100 Prozent lokal, ohne externe APIs oder Datenübertragung. Der Code verlässt die Maschine nicht. Als quelloffenes Projekt unter MIT-Lizenz mit über 61.000 GitHub-Sternen und Release v1.5.0 (Stand 21.07.2026) ist es zudem kein Nischenexperiment mehr.

Warum das für Enterprise-Agenten zählt

Kontext-Effizienz ist kein Entwickler-Komfort, sondern eine Kostenfrage. Wer Agenten produktiv über große Codebasen oder Wissensbestände laufen lässt, zahlt jeden überflüssigen Tool-Call und jedes Token, das im Prompt-Rauschen verschwindet. Ein vorab indexierter Graph wie CodeGraph ist die gleiche Idee wie eine gute Retrieval-Schicht für RAG: nicht das Modell verbessern, sondern das, was das Modell zu sehen bekommt.

Unsere klare Position: Bevor Sie einen Agenten auf ein größeres Modell hochstufen, prüfen Sie, ob er überhaupt den richtigen Kontext bekommt. Oft liegt der Hebel nicht im Modell, sondern in der Kontext-Architektur. Model-Routing und Kontext-Effizienz gehören dabei zusammen (mehr dazu in den Verwandten Themen). Wie sich MCP-Server sauber in ein Agenten-System einfügen, beschreiben wir in der AI Agent Orchestrierung. Ein weiteres Beispiel für ein durchdachtes Agenten-Setup ist Oh My Opencode.

Häufig gestellte Fragen

Was ist CodeGraph?

CodeGraph ist ein quelloffener, vorab indexierter Code-Wissensgraph, der KI-Coding-Agenten den relevanten Code in einem einzigen Aufruf liefert, statt sie Datei für Datei suchen zu lassen. Er läuft als CLI-Tool und als MCP-Server, komplett lokal, und unterstützt über 35 Programmiersprachen.

Wie viel spart CodeGraph wirklich?

Laut den Projekt-Benchmarks auf sieben realen Codebasen sind es 89 Prozent weniger Tool-Calls, 60 Prozent geringere Kosten und 69 Prozent weniger Tokens. Das sind selbst gemessene Zahlen, kein unabhängiger Test. Die Größenordnung passt aber zu dem, was gute Kontext-Vorverarbeitung in der Praxis bringt.

Ist CodeGraph für regulierte Unternehmen geeignet?

Vom Datenschutz her ja, weil es zu 100 Prozent lokal arbeitet und keinen Code an externe Dienste sendet. Für den produktiven Unternehmenseinsatz braucht es zusätzlich eine zentrale Bereitstellung, Rechteverwaltung und Betrieb, statt es nur lokal pro Entwickler laufen zu lassen.

Was ist ein MCP-Server und warum ist er hier wichtig?

Das Model Context Protocol ist ein offener Standard, über den KI-Agenten externe Werkzeuge und Datenquellen abfragen. Weil CodeGraph als MCP-Server läuft, kann jeder MCP-fähige Agent den Code-Graphen nutzen, ohne eine proprietäre Integration.

Ersetzt CodeGraph ein RAG-System?

Nein, es ist verwandt, aber spezialisiert. RAG holt relevante Textstellen aus Dokumenten, CodeGraph holt strukturierten Code samt Beziehungen. Für Coding-Agenten ist die codespezifische Variante präziser, für allgemeine Wissensbestände bleibt klassisches RAG die richtige Wahl.

Nächster Schritt

Sie setzen KI-Agenten auf größere Codebasen oder Wissensbestände an und die Token-Kosten laufen davon? Wir prüfen in einem kurzen Gespräch, wo bei Ihnen die Kontext-Verschwendung sitzt und wie eine effiziente Retrieval-Schicht aussieht.

Verwandte Themen