mcplens

Semantische Codebasissuche für KI-Coding-Assistenten — 70-85% Token-Reduzierung, 100% lokal, null Cloud-Abhängigkeit.

KI-Coding-Assistenten wie Claude Code, Cursor und Codex sind leistungsstark – haben aber ein grundlegendes Problem: Wenn Sie eine Frage stellen, lesen sie Dateien, indem sie basierend auf Pfad- und Dateinamen-Heuristiken raten, welche relevant sein könnten. Bei einem mittelgroßen Projekt kann eine einzelne Abfrage 10.000–20.000 Token an Kontext verbrauchen, nur um Dateien zu laden, die möglicherweise gar nicht relevant sind.

claude-context-optimizer löst dies, indem es Ihrem KI-Assistenten eine semantische Suche über Ihre Codebasis ermöglicht. Anstatt Dateien blind zu lesen, ruft er search_code("wie funktioniert die Bezahlung?") auf und erhält nur die 5 relevantesten Code-Abschnitte zurück – lokal indiziert mithilfe von Embeddings, gespeichert in SQLite, keine Daten verlassen Ihren Rechner.

Funktionsweise

Wenn Sie Ihren KI-Assistenten in einem Projekt öffnen:

1. Der MCP-Server startet automatisch (wird vom Assistenten über stdio gestartet)

2. Er vergleicht Datei-Hashes mit dem letzten Index und indiziert nur das, was sich geändert hat (Delta-Indizierung)

3. Ein Datei-Watcher hält den Index synchron, während Sie programmieren

4. Ihr Assistent hat nun Zugriff auf 3 semantische Such-Tools, anstatt Rohdateien zu lesen

You ask: "how does the Asaas webhook work?"

Without cco: With cco:
 Read AsaasWebhookController.php search_code("asaas webhook")
 Read AsaasWebhookService.php → returns 5 relevant chunks
 Read PaymentService.php → ~800 tokens total
 Read BillingModule.php
 Read ...8 more files
 → ~15,000 tokens total

Unter der Haube

• Embeddings: Ollama mit nomic-embed-text (768-dim) — 100% lokal, kostenlos, kein API-Schlüssel

• Vektorspeicher: SQLite mit Kosinus-Ähnlichkeit, die im Prozess berechnet wird — keine zusätzliche Infrastruktur

• Chunking: AST-bewusst via tree-sitter (teilt nach Funktion/Klasse) mit Sliding-Window-Fallback

• Transport: MCP stdio — der Assistent startet den Prozess und kommuniziert über Pipe

• Persistenz: Der Index liegt in .claude-context/index.db und bleibt zwischen Sitzungen erhalten

Related MCP server: CodeRAG

Kompatibilität

claude-context-optimizer funktioniert mit jedem MCP-kompatiblen KI-Coding-Assistenten. MCP (Model Context Protocol) ist ein offener Standard – derselbe Server funktioniert ohne Änderungen über alle Clients hinweg.

Der init-Befehl erkennt, welche Assistenten Sie verwenden, und registriert den Server automatisch am richtigen Ort.

Token-Einsparungen

Der Index liegt lokal. Der Assistent ruft nur das ab, was relevant ist. Die Zahlen sprechen für sich:

Dies sind Kontext-Token – der Teil, den Sie kontrollieren. Die Einsparungen skalieren mit der Projektgröße, da größere Projekte standardmäßig mehr heuristische Dateilesevorgänge auslösen.

Verfügbare Tools

Fügen Sie dies der CLAUDE.md (oder Äquivalent) Ihres Projekts hinzu, um den Assistenten zu leiten:

## Context Search

Always use MCP tools before reading files:

- search_code() — for conceptual or natural language queries
- get_symbol() — for exact class/function/method lookups
 Only read full files if both tools return insufficient context.

Installationsoptionen

Option A — npm (erfordert Ollama)

Kein Overhead. Am besten für Entwickler, die Ollama bereits installiert haben.

npm install -g @vmsfigueredo/mcplens
ollama pull nomic-embed-text:latest
cd your-project && mcplens init

Siehe INSTALL.md für vollständige Einrichtungsanweisungen.

Option B — Docker

Noch nicht verfügbar. Die Docker-Distribution (Bündelung von Node + Ollama + Modell) ist geplant, aber noch nicht implementiert. Verfolgen Sie den Fortschritt in der Roadmap.

Konfiguration

.claude-context/config.json wird automatisch durch init erstellt. Bearbeiten Sie diese, um das Verhalten anzupassen:

{
 "embeddings": {
 "provider": "ollama",
 "ollamaUrl": "http://localhost:11434",
 "ollamaModel": "nomic-embed-text:latest"
 },
 "search": {
 "topK": 5,
 "minScore": 0.3
 },
 "ignore": [
 "**/tests/fixtures/**"
 ]
}

Um stattdessen OpenAI-Embeddings zu verwenden:

{
 "embeddings": {
 "provider": "openai",
 "openaiApiKey": "sk-...",
 "openaiModel": "text-embedding-3-small"
 }
}

Was wird indiziert

Standardmäßig enthalten: .ts .tsx .js .jsx .mjs .php .svelte .vue .py .rb .go .rs .css .scss .json .yaml .yml .md .sql

Standardmäßig ignoriert: node_modules, .git, vendor, dist, build, .next, .claude-context

Das Verzeichnis .claude-context/ wird automatisch zu .gitignore hinzugefügt.

Referenz zur Indexgröße

Dashboard

Ein leichtgewichtiges Web-Dashboard ist unter http://localhost:3000 verfügbar, während der Server läuft:

• Übersicht — indizierte Dateien, Chunks, Indexgröße, Ollama-Status

• Aktivität — Live-Feed von Re-Indizierungsereignissen

• Suche — Testen Sie Abfragen manuell und sehen Sie die Ergebnisse (nützlich zur Kalibrierung von minScore)

• Dateien — Vollständige Liste der indizierten Dateien mit Chunk-Anzahl

Das Dashboard läuft standardmäßig auf Port 3333. Wenn dieser Port bereits belegt ist (z. B. zwei Projekte gleichzeitig geöffnet), wird der Port automatisch aus dem Projektnamen berechnet. Zum Öffnen:

mcplens dashboard

Zum Deaktivieren: Fügen Sie --no-dashboard zu den Server-Argumenten in Ihrer MCP-Konfiguration hinzu.

Datenschutz

Alles läuft auf Ihrem Rechner:

• Embeddings werden lokal über Ollama generiert — Ihr Code verlässt niemals Ihren Rechner

• Der Index wird in .claude-context/index.db in Ihrem Projekt gespeichert

• Keine Telemetrie, keine Analysen, keine Konten

⚠️ Wenn Sie die OpenAI-Embeddings-Option verwenden, werden Chunks an die API von OpenAI gesendet.

Warum nicht einfach bestehende Tools verwenden?

Das Ziel ist es, die zugänglichste Option für JS/TS-Entwickler zu sein – nicht die mit den meisten Funktionen. Wenn Sie Node.js bereits haben, sind Sie nur einen Befehl entfernt.

Roadmap

• [x] AST-basiertes Chunking via tree-sitter

• [x] Delta-Indizierung nach Datei-Hash

• [x] Echtzeit-Datei-Watcher

• [x] Dashboard

• [x] Multi-Client-Init (Claude Code, Cursor, Windsurf, Trae)

• [x] Hybride Suche (BM25 + semantisch)

• [ ] Docker-Option mit gebündeltem Ollama

• [ ] Kontextuelle Abfrage (LLM-generierte Chunk-Zusammenfassungen)

• [ ] Token-Nutzungsanalysen via Claude Code Hooks

Mitwirken

PRs sind willkommen. Siehe INSTALL.md für die Einrichtung der lokalen Entwicklung.

Erstellt mit

Dieses Projekt wurde mit Claude Code erstellt – genau deshalb existiert es.

Lizenz

MIT

Maintenance

Resources

• NPM Package
• GitHub Repository
Need Help?Related Servers