Claude Context：让整个代码库成为 Claude Code 的上下文窗口

问题：大型代码库 + Claude Code 的上下文困境

让 Claude Code 理解一个大型代码库，最直接的方式是把整个 /src 目录加入 context。这在小项目上可行，但在真实工程场景下面临两个问题：

1. 成本：把几千个文件全塞进 context 窗口，每次请求消耗大量 token
2. 质量：无关代码越多，Claude 越难专注在真正相关的部分，输出质量下降

claude-context 的方案是：先建索引，用时再搜索——只把语义相关的代码片段拉进 context。

混合检索：BM25 + 向量双路并行

claude-context 使用混合检索策略，同时运行两条搜索路径：

• BM25（关键词精确匹配）：适合已知函数名、变量名、API 名称的精确查找
• 稠密向量相似度（Dense Vector Search）：适合语义相关代码的模糊查询，比如「找所有处理认证的地方」

两路结果通过 Reciprocal Rank Fusion（RRF）合并排序，返回综合相关性最高的代码片段。

增量索引：Merkle Tree 加速重建

全量索引大型代码库一次不贵，贵在每次代码变更后的重建。claude-context 用 Merkle tree 做文件变更追踪：

• 每个文件计算内容 hash，形成树状校验结构
• 代码更新时只对内容变更的文件重新索引
• 其余文件跳过，显著缩短增量更新时间

对于活跃开发中的仓库，这让索引保持最新的成本降到可接受范围。

AST 感知切块：不在函数中间截断

传统 RAG 切块通常按固定字符数截断，可能把一个函数从中间切开，导致每个 chunk 的语义不完整。claude-context 使用 AST（抽象语法树）感知切块：

• 解析代码结构，识别函数、类、模块边界
• 在语义边界处切块，不截断表达式或函数体
• 每个 chunk 包含完整的语义单元

这保证 Claude 拿到的每段代码都是能独立理解的逻辑单元，而不是碎片。

Embedding 与后端配置

支持多种 embedding 方案，可按成本和精度选择：

向量数据库后端支持两种部署方式：

• Zilliz Cloud：托管服务，零运维
• 本地 Milvus：自部署，数据不出本地

MCP 接入与兼容性

claude-context 通过标准 MCP 协议暴露代码搜索能力，兼容：

• Claude Code
• Cursor
• Cline
• 其他支持 MCP 的 AI 编程工具

安装后，agent 可以通过 MCP 工具调用发起语义代码搜索，不需要修改 agent 逻辑本身。