NanoNets/Graft
Graft 实测：把 222 个文件变成可查询的代码关系图
在真实项目中生成 1,794 个符号与 4,464 条关系，并通过 MCP 让 Codex 查询代码结构。
实验田正式路线
这项项目没有绕过实验田。
01种子区 · 已发现Trending 线索、GitHub 仓库和项目库档案已经绑定。
02种子区 · 已核验固定提交，核对 README、许可、版本、外部服务和数据边界。
03播种区 · 已实测0 次工作记录保留环境、命令、退出码、失败和修复。
04收成区 · 已产出0 项成果与同一实验绑定，阶段状态仍为进行中。
05收获记 · 已公开公开实验页、竞技场摘要与多平台发布证据回到同一条记录。
01 · 问题
我想解决什么
大型代码仓库里，编程 Agent 常常先花大量上下文重新寻找入口、函数和调用关系。只靠关键词搜索容易看到局部，却看不到一个修改会影响哪些文件。
02 · 过程
我是怎样做的
在一个真实项目中运行 Graft 结构分析，使用 tree-sitter 建立文件、符号、调用与导入关系图，随后加载 MCP，让 Codex 可以按符号和关系查询仓库。
03 · 结果
实际发生了什么
结构图成功覆盖 222 个文件，识别 1,794 个符号并建立 4,464 条关系。MCP 加载成功，Agent 可以从关系图进入目标代码，不必只靠逐文件搜索摸索结构。
04 · 避坑
哪些地方值得注意
这组数字证明关系图成功生成，不等于已经证明固定比例的 Token 节省。基础结构图可以本地运行，深度摘要模式会调用用户选择的模型，成本与结果要分开记录。
05 · 最终评价
这次实验的结论
Graft 已经证明自己能为真实仓库建立可查询的结构入口。下一步应在相同任务上对比启用前后的 Token、工具调用次数、速度和修复正确率，才能判断实际收益。