Jak przestać tracić tysiące dolarów na tokeny podczas pracy z agentami AI nad kodem

Brzmi znajomo? Prosisz Claude Code lub Cursor o naprawienie pojedynczej dwudziestolinijkowej funkcji w starszym module. Agent otwiera tysiącliniowy plik, czyta mnóstwo importów, zagląda do sąsiednich plików i natychmiast pochłania połowę okna kontekstowego. Płacimy dostawcom sieci neuronowych nie za generowanie mądrych rozwiązań, ale za bezustanne przewijanie kodu źródłowego.

Programista o nicku jgravelle zaproponował pragmatyczne podejście: zlecić analizę struktury kodu lekkemu lokalnemu parserowi, a sieci neuronowej podawać tylko istotny fragment. Tak powstał projekt open source jCodeMunch MCP.

Na czym polega główna idea projektu

jCodeMunch MCP to serwer MCP (Model Context Protocol), który indeksuje kod za pomocą biblioteki tree-sitter. Zamiast podawać agentom AI całe pliki, narzędzie parsuje drzewo AST i wyodrębnia konkretne symbole: funkcje, klasy, metody, stałe i interfejsy.

Gdy agent musi sprawdzić implementację metody, jCodeMunch zwraca zaledwie 30 linii tej konkretnej funkcji wraz z przesunięciami bajtowymi, zamiast całego 800-liniowego pliku źródłowego. Według benchmarków autora na popularnych repozytoriach takich jak FastAPI, Express i Gin, to podejście zmniejsza zużycie tokenów podczas czytania kodu o 95–99%.

Narzędzie współpracuje z Claude Code, Cursor, Windsurf, VS Code, Codex CLI, Continue oraz innymi klientami obsługującymi MCP.

Kluczowe funkcje jCodeMunch

Ukierunkowane wyszukiwanie po AST zamiast brute force

Typowy asystent AI wyszukuje kod za pomocą grep lub żąda plików jeden po drugim. jCodeMunch indeksuje projekt raz i buduje mapę symboli. Agent może wyszukiwać przez dokładne dopasowanie nazwy, fuzzy search lub algorytm hybrydowy (BM25 w połączeniu z PageRank).

Zbieranie kontekstu w jednym wywołaniu

Zamiast długiego łańcucha zapytań typu „znajdź plik -> przeczytaj -> sprawdź importy -> przeczytaj importy