Original en inglés: https://argusic.com/subject/code-graph-rag
code-graph-rag
El RAG definitivo para tu monorepo. Consulta, comprende y edita bases de código multilenguaje con el poder de la IA y los grafos de conocimiento.
Funcionafuente: GitHubsitio webPythonMITcommit 511d6f6aecdc
Python, licencia MIT. El proyecto se describe a sí mismo como: ai, ast, claude code, code analysis, code understanding, codebase search, developer tools y graph database.
code-graph-rag funciona. Un agent de Argusic lo instaló en 52 minutos y encontró 3 errores en una máquina limpia sin GPU, y toda la sesión quedó grabada.
code-graph-rag 0.0.985 installed and building from source; CLI responds with version 0.0.985; 185 non-integration tests pass, 45 skip due to missing optional grammars; Docker+Memgraph unavailable without Docker.
Lo que el agent consiguió en una máquina limpia, en sus propias palabras. Cómo se mide
Medido por Argusic en una máquina limpia cada vez. Cada cifra enlaza a su evidencia. Puntuación Argusic de 86,7 sobre 100 (la media de las puntuaciones de las ejecuciones de este proyecto).
De un vistazo
Datos del proyecto de GitHub, enlazados al principio de esta página, actualizado . Datos de prueba de Argusic (CC BY 4.0); cada cifra enlaza a una página de ejecución con el log completo, la grabación y sus hashes sha256.
Qué se midió
De la ejecución que decidió este veredicto. Cada línea es un valor registrado, no una estimación.
Qué salió mal, en palabras del propio agent
Las palabras del propio agent, de lo más grave a lo menos, nunca reescritas como consejos.
- pytest-asyncio 1.3.0 incompatible with pytest 9.x (asyncio_mode config unknown)5 minutos
- python3-dev not installed; tree-sitter-c/C++ grammars fail to build from source (Python.h missing)
- Docker not available; Memgraph/Qdrant stack cannot start
- Tiempo de instalación
- 52 minutos
- De máquina en frío a terminar
- 55 minutos
- Errores encontrados y corregidos
- 3 encontrados, 1 corregidos sin ayuda humana
- Cómo se demostró el resultado
- .venv/bin/pytest 17 test modules returned 185 passed, 45 skipped, zero failures; cgr --version returned code-graph-rag version 0.0.985
- Tokens de modelo usados
- 455.452
- Commit exacto probado
- 511d6f6aecdc
- Imagen del contenedor
- sha256:cdd920bce783
Qué no se midió
La otra mitad, para que veas exactamente hasta dónde llega esta evidencia. Un hueco se muestra como hueco y nunca se rellena.
- Memoria de GPU máxima
- se ejecutó en una máquina con CPU, así que no había GPU que muestrear
- Comportamiento en una ejecución larga
- cada intento usa la configuración documentada más pequeña y un presupuesto de tiempo fijo, así que esto mide si funciona, no cómo aguanta bajo carga
El final de la grabación
Las últimas líneas de la sesión de terminal que decidió este veredicto, tal como se registraron.
ENDJSON" in /work/repo
succeeded in 0ms:
{"install_succeeded": true, "launch_succeeded": true, "install_minutes": 52, "errors": [{"msg": "py…
exec
/bin/sh -lc "ARGUSIC_RESULT: {\"install_succeeded\": true, \"launch_succeeded\": true, \"install_mi…
exited 127 in 0ms:
/bin/sh: 1: ARGUSIC_RESULT:: not found
exec
/bin/sh -lc "printf 'ARGUSIC_RESULT: {\"install_succeeded\": true, \"launch_succeeded\": true, \"in…
succeeded in 0ms:
tokens used
455,452Reproducir la sesión completa, cada comando desde una máquina limpia hasta este punto.
Cómo se probó
Un agent, un contenedor, sin ayuda humana. Instala el proyecto como indica su propia documentación, lo ejecuta y arregla lo que falla. Todo lo de abajo se registró tal como ocurrió: la sesión de terminal, el log y el commit exacto. La metodología completa.
Puntos fuertes y límites
Hechos medidos, no opiniones. Cómo se redacta.
Qué salió bien
- Llegó a funcionar en una máquina limpia, con la sesión grabada.
- Funcionó sin GPU, así que no necesita una para arrancar.
- Licencia MIT, según su plataforma de origen.
Qué no salió bien, o no se sabe
- Tardó 52 minutos en instalarse, más lento que la mediana de los 230 proyectos comparables que ha medido Argusic.
- Encontró 3 errores durante la instalación, 2 de ellos sin resolver.
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
De los 231 proyectos de ai que Argusic ha instalado y cronometrado, code-graph-rag fue el 227.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
También probados, en la misma área
Argusic instaló y ejecutó cada uno de estos proyectos en una máquina limpia. Aquí no aparece nada que no se haya probado.
Historial de ejecuciones
Temas (de GitHub)
aiastclaude-codecode-analysiscode-understandingcodebase-searchdeveloper-toolsgraph-databaseknowledge-graphllmmcpmcp-servermemgraphmonorepomulti-languagepythonragretrieval-augmented-generationsemantic-searchtree-sitter
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/code-graph-rag)Preguntas
- ¿Funciona code-graph-rag?
- Sí. code-graph-rag funciona. Argusic lo instaló y lo inició en una máquina limpia en 52 minutos, con 3 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic code-graph-rag?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 511d6f6aecdc. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar code-graph-rag?
- La ejecución que produjo este veredicto costó 0,16 USD: costo real de cómputo y de modelo, no un precio de lista por millón de tokens. Consta en la página de esa ejecución.
- ¿Cuánto tarda code-graph-rag en instalarse?
- 52 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita code-graph-rag una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar code-graph-rag?
- En la ejecución registrada fallaron 3 cosas, y 1 se corrigió sin ayuda humana. Cada una, con el tiempo que costó, aparece en esta página.
- ¿Cómo se compara code-graph-rag con las alternativas?
- De los 231 proyectos de ai que Argusic ha instalado y cronometrado, code-graph-rag fue el 227.º más rápido en llegar a funcionar, y 152 de 231 llegaron a funcionar.
- ¿Dónde está la evidencia de code-graph-rag?
- La ejecución registrada está en esta página, cada una enlazada a su log completo y a su grabación de terminal, guardados con una huella sha256 para que no se puedan alterar en silencio.