Comment cesser de brûler des milliers de dollars en tokens lors du travail avec des agents IA sur du code

Ça vous dit quelque chose ? Vous demandez à Claude Code ou Cursor de corriger une simple fonction de vingt lignes dans un module legacy. L'agent ouvre un fichier de mille lignes, lit une multitude d'imports, jette un œil aux fichiers voisins, et brûle instantanément la moitié de la fenêtre de contexte. Nous payons les fournisseurs de réseaux neuronaux non pas pour générer des solutions intelligentes, mais pour défiler sans fin dans du code source.

Un développeur sous le pseudonyme jgravelle a proposé une approche pragmatique : décharger l'analyse de la structure du code sur un analyseur syntaxique local léger, et fournir au réseau neuronal uniquement l'extrait pertinent. C'est ainsi qu'est né le projet open-source jCodeMunch MCP.

Quelle est l'idée centrale du projet

jCodeMunch MCP est un serveur MCP (Model Context Protocol) qui indexe votre codebase en utilisant la bibliothèque tree-sitter. Au lieu de fournir aux agents IA des fichiers entiers, l'outil analyse l'arbre AST et extrait des symboles spécifiques : fonctions, classes, méthodes, constantes et interfaces.

Lorsqu'un agent doit consulter l'implémentation d'une méthode, jCodeMunch renvoie seulement 30 lignes de cette fonction spécifique avec les décalages d'octets, plutôt que le fichier source entier de 800 lignes. Selon les benchmarks de l'auteur sur des dépôts populaires comme FastAPI, Express et Gin, cette approche réduit la consommation de tokens pour la lecture de code de 95 à 99 %.

L'outil fonctionne avec Claude Code, Cursor, Windsurf, VS Code, Codex CLI, Continue, et tout autre client supportant MCP.

Fonctionnalités principales de jCodeMunch

Recherche ciblée dans l'AST au lieu de la force brute

Un assistant IA typique recherche du code via grep ou demande les fichiers un par un. jCodeMunch indexe le projet une seule fois et construit une carte des symboles. L'agent peut rechercher par correspondance exacte du nom, recherche floue, ou algorithme hybride (BM25 combiné avec PageRank).

Collecte de contexte en un seul appel

Au lieu d'une longue chaîne de requêtes comme « trouver le fichier → lire → vérifier les imports → lire les imports », jCodeMunch dispose d'un outil assemble_task_context. Vous transmettez une tâche en langage naturel, et le serveur détermine automatiquement l'intention (débogage, refactoring, audit), extrait les symboles clés et forme un bundle de contexte compressé strictement dans la limite de tokens spécifiée.

Questions auxquelles grep ne peut pas répondre

La recherche statique ne comprend pas les relations entre les composants. jCodeMunch peut construire des graphes d'appels et répondre à des questions d'ingénierie spécialisées :

• find_importers : affiche les fichiers qui dépendent du module sélectionné.
• get_blast_radius : évalue le rayon d'impact et les risques lors de la modification d'une fonction spécifique.
• find_dead_code : trouve les symboles non utilisés et les fichiers orphelins non connectés aux points d'entrée.
• get_symbol_importance : classe les composants du projet par importance architecturale en utilisant l'algorithme PageRank.
• get_untested_symbols : recherche les fonctions non couvertes par les tests existants.

Format de transfert compact MUNCH

Le JSON classique est trop verbeux et consomme du contexte à lui seul. En plus de l'extraction de code, jCodeMunch peut appliquer sa propre compression MUNCH. Les chemins répétés sont internés, et les listes sont compactées en chaînes CSV tout en préservant les types. Cela offre une économie supplémentaire de 40 à 50 % sur le volume de données transférées.

Sous le capot

Le projet est écrit en Python et fonctionne entièrement en local. Par défaut, tous les index sont stockés dans le répertoire ~/.code-index/. Il utilise les liaisons tree-sitter pour analyser plus de 70 langages de programmation.

L'assemblage du contexte repose sur la recherche full-text BM25 et l'analyse du graphe d'imports avec calcul PageRank. Si vous avez besoin d'une recherche sémantique appropriée par sens, vous pouvez installer le package optionnel [local-embed]. Il télécharge une fois un modèle ONNX local all-MiniLM-L6-v2 d'environ 23 Mo. Après cela, la vectorisation fonctionne sans appeler d'API externes et sans fuite de code sur le réseau.

Comment l'essayer

Le moyen le plus rapide de déployer le serveur est d'utiliser pip ou uvx :

pip install jcodemunch-mcp
jcodemunch-mcp init

L'utilitaire init trouvera automatiquement les clients MCP installés sur votre machine (Claude Code, Cursor, Windsurf, VS Code), écrira la configuration, et suggérera d'ajouter une instruction à CLAUDE.md ou aux prompts système de l'agent afin que le modèle commence à utiliser la recherche par symboles au lieu du défilement habituel dans les fichiers.

Exemple de connexion manuelle à Claude Code via CLI :

claude mcp add -s user jcodemunch uvx jcodemunch-mcp

Si vous souhaitez suivre les coûts, l'outil intégré get_session_stats affichera les statistiques d'appels d'outils, les économies réelles de tokens par session et la précision des requêtes.

Qui en a vraiment besoin

L'outil ne changera probablement pas votre vie si vous écrivez des petits scripts ou des projets personnels avec quelques fichiers. Mais lors du travail avec de grands monorepos en TypeScript, Python, Go ou Java, jCodeMunch produit un effet perceptible.

L'agent cesse de se retrouver bloqué à défiler à travers des milliers de lignes de boilerplate, les réponses du modèle reviennent plus vite, et les factures d'utilisation de l'API des réseaux neuronaux diminuent sensiblement. La licence pour usage personnel est entièrement gratuite, vous pouvez donc tester l'approche sur votre propre codebase sans frais supplémentaires.