Wie man aufhört, LLMs zu füttern, und Agenten beibringt, euren Code zu verstehen
Vertraute Situation: Ihr verbindet einen KI-Agenten mit einem Projekt, und er beginnt zu „halluzinieren" oder liest wiederholt dieselben Dateien, was euer Token-Budget verbrennt. Selbst fortschrittliche Tools wie Cursor verlieren manchmal den Überblick über Verbindungen zwischen Modulen, wenn ein Projekt auf Tausende von Dateien anwächst. Ich bin kürzlich auf Memtrace gestoßen — ein Projekt, das versucht, dieses Problem grundlegend zu lösen, indem es eine Codebasis in einen lebendigen Knowledge Graph verwandelt.
Warum Agenten ein „strukturelles Gedächtnis" brauchen
Die meisten modernen KI-Assistenten arbeiten nach dem RAG-Prinzip (Retrieval-Augmented Generation). Sie suchen nach Code-Snippets anhand von Keywords oder Vektorähnlichkeit. Das Problem ist, dass Code nicht nur Text ist — es ist eine komplexe Hierarchie aus Aufrufen, Imports und Abhängigkeiten. Wenn ein Agent das Gesamtbild nicht sieht, könnte er eine Funktion so refaktorieren, dass Tests in einem benachbarten Microservice fehlschlagen, von dessen Existenz der Agent nicht einmal wusste.
Memtrace erstellt, was Entwickler einen „bi-temporalen Knowledge Graph" nennen. Es indexiert nicht nur Text — es versteht Struktur: welche Funktion was aufruft, welche Interfaces implementiert werden und wie sich all das im Laufe der Zeit verändert hat.
Was dieses Tool kann
Das Hauptmerkmal des Projekts ist Geschwindigkeit und Lokalität. Während ähnliche Tools Dutzende Dollar für API-Aufrufe und Stunden für die Indexierung ausgeben, erledigt Memtrace das in Sekunden auf eurer Maschine.
LLM-freie Indexierung
Die Entwickler haben Rust und Tree-sitter verwendet. Dadurch ist es möglich, 15.000 Dateien in etwa 1,5 Sekunden zu parsen. Gleichzeitig sind die API-Kosten null, weil keine neuronalen Netze für den Aufbau des Graphen verwendet werden — nur deterministische statische Analyse. Der gesamte Prozess findet lokal statt, sodass euer Code nicht zu den Servern anderer Leute fliegt.
Kontextverständnis über MCP
Das Tool unterstützt das Model Context Protocol (MCP). Das bedeutet, es kann mit buchstäblich einem Befehl in Claude Code, Cursor, Windsurf oder VS Code „eingestöpselt" werden. Der Agent erhält Zugang zu über 25 Tools: von der Suche nach „totem" Code bis zur Blast-Radius-Analyse für Änderungen.
Zeitleiste der Änderungen
Memtrace speichert die Versionshistorie für jedes Symbol. Ein Agent kann fragen: „Was hat sich in der letzten Woche verändert?" oder „Welche Funktionen sind nach dem letzten Merge zu komplex geworden?" Das System verwendet sechs Bewertungsalgorithmen, einschließlich Neuigkeitsanalyse und Änderungsintensität, um dem Agenten die wichtigsten Dinge hervorzuheben.
Vergleich mit Alternativen
Die README enthält eine interessante Benchmark-Tabelle. Zum Beispiel verlassen sich Mem0 oder Graphiti auf LLM-Aufrufe für die Entitätsextraktion während der Indexierung. Das ist langsam und teuer. Memtrace sieht dagegen wie ein Rennwagen aus:
| Operation | Memtrace | Alternativen (Mem0/GitNexus) | |---|---|---| | Indexierung von 15.000 Dateien | 1,5 Sek. | 30 Min. bis 2 Stunden | | API-Kosten | 0 $ | 10–50 $ | | Speicherverbrauch | 26 MB | ~1 GB |
Natürlich ist anzumerken, dass Memtrace eng auf Code fokussiert ist, während andere Systeme mit beliebigen Konversationen arbeiten können. Aber für Entwicklungsaufgaben ist solche Spezialisierung ein enormer Vorteil.
Technische Interna
Unter der Haube hat das Projekt einen ziemlich ernstzunehmenden Stack. Neben Rust verwendet es Tantivy für die Volltextsuche (BM25) und Vektor-Embeddings für die semantische Suche. All das wird durch Reciprocal Rank Fusion (RRF) kombiniert, um die relevantesten Ergebnisse zu liefern.
Die Sprachunterstützung ist interessant implementiert. Neben dem Standard-Set (TypeScript, Python, Go, Rust) versteht Memtrace auch Infrastructure-Code: Terraform, GitHub Actions und sogar RLS-Policies in PostgreSQL. Es erkennt Verbindungen zwischen dem Datenbankschema und ORM-Code in der Anwendung.
Wie man dies in der Praxis nutzt
Stellt euch vor, ihr müsst Änderungen an einer Basisklasse in einem riesigen Monorepo vornehmen. Normalerweise führt ihr eine Suche im gesamten Projekt durch und hofft, dass ihr nichts übersehen habt.
Mit Memtrace kann der Agent den Befehl get_impact ausführen und sofort den Abhängigkeitsbaum sehen. Er wird sagen: „Wenn ihr dieses Feld ändert, werden diese drei Endpoints und ein Worker in einem anderen Modul kaputtgehen." Das eliminiert „blinde" Refaktorierung.
Um zu starten, installiert einfach das Paket global:
npm install -g memtrace
Danach richtet das Tool automatisch die notwendigen Einstellungen für Claude oder Cursor ein. Wenn ihr paranoid seid, was Datenschutz angeht, könnt ihr die Telemetrie mit einer Umgebungsvariable deaktivieren MEMTRACE_TELEMETRY=off.
Für wen es sich lohnt
Das Projekt befindet sich derzeit in der privaten Beta, aber der Zugang öffnet sich schrittweise in Gruppen. Meiner Meinung nach wird Memtrace am nützlichsten für diejenigen sein, die:
- Mit großen Codebasen arbeiten, bei denen es schwer ist, alle Verbindungen im Kopf zu behalten.
- KI-Agenten aktiv nutzen und ihre Token-Ausgaben reduzieren möchten.
- Zögern, Quellcode an Cloud-Dienste für die Indexierung zu senden.
Der einzige Vorbehalt ist, dass die Lizenz proprietär ist (EULA), obwohl sie kostenlosen Zugang für einzelne Entwickler versprechen. Wenn ihr nicht warten könnt, euer „strukturelles Gedächtnis" für eure Agenten auszuprobieren, lohnt es sich, ihren Discord zu besuchen oder eine Anfrage auf der Website zu stellen.
Das Projekt sieht bisher wie ein sehr energischer Versuch aus, KI-gestützte Entwicklung vorhersehbarer und günstiger zu machen. Zumindest die 1,5-Sekunden-Indexierungsgeschwindigkeit ist etwas, das wir schon lange vermisst haben.
Ähnliche Projekte