Original en inglés: https://argusic.com/subject/codegraphcontext
CodeGraphContext
Un servidor MCP más una herramienta CLI que indexa código local en una base de datos de grafos para proporcionar contexto a asistentes de IA.
Funcionafuente: GitHubsitio webPythonMITcommit 8e08dcc9a0e8
Python, licencia MIT. El proyecto se describe a sí mismo como: codegraph, codegraphcontext, hacktoberfest2025 y social winter of code.
CodeGraphContext funciona. Un agent de Argusic lo instaló en 12 minutos y no encontró ningún error en una máquina limpia sin GPU, y toda la sesión quedó grabada.
CodeGraphContext 0.6.13 installed and working: CLI, FalkorDB/KuzuDB/LadybugDB backends, indexing, MCP server, and 1615 of 1627 tests pass.
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 100 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.
- Tiempo de instalación
- 12 minutos
- De máquina en frío a terminar
- 36 minutos
- Errores encontrados y corregidos
- 0 encontrados, 0 corregidos sin ayuda humana
- Cómo se demostró el resultado
- pytest tests/unit/ (1501 passed), tests/integration/ (107 passed), tests/e2e/test_user_journeys.py (2 passed), tests/test_mcp_sse.py (2 passed). CLI --version returns 0.6.13. cgc doctor all green. Indexed 43 files against FalkorDB Lite. MCP server responded to tools/list.
- Tokens de modelo usados
- 122.674
- Commit exacto probado
- 8e08dcc9a0e8
- 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.
- `python -m codegraphcontext --help` — all commands listed - `python -m codegraphcontext --version` → `CodeGraphContext 0.6.13` - `cgc doctor` — all checks passed (FalkorDB Lite, tree-sitter, permissions) - `cgc index` on sample project — indexed 43 files, 138 functions, 36 classes, 112 CALLS edges - `cgc stats` — confirmed 1 repo, 43 files, 181 functions, 36 classes **Backend verification** (all three embedded backends): - FalkorDB Lite ✅ - KuzuDB ✅ - LadybugDB ✅ (via CGC's `LadybugDBManager`) **MCP server**: started via stdio, responded to `tools/list` with 20+ tools **Parity test**: skipped (requires Neo4j server at localhost:7687, not available in container — but… The only issue was LadybugDB's C API library (`get_capi_module()`) not being present — but CGC's ac…
Reproducir 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.
- Se instaló en 12 minutos.
- Nada se rompió por el camino: cero errores entre el clon y el funcionamiento.
- 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
- Medido una sola vez hasta ahora. Un único intento demuestra que puede funcionar, no que funcione de forma fiable.
Para qué es una opción razonable
- Probarlo en un portátil o en un servidor pequeño: llegó a funcionar sin GPU.
- Seguir su propio README: el camino documentado funcionó sin nada que arreglar.
Historial de ejecuciones
Temas (de GitHub)
codegraphcodegraphcontexthacktoberfest2025social-winter-of-code
Insertar el badge
Markdown para el README del proyecto. Enlaza de vuelta aquí; condiciones en la página de términos.
[](https://argusic.com/subject/codegraphcontext)Preguntas
- ¿Funciona CodeGraphContext?
- Sí. CodeGraphContext funciona. Argusic lo instaló y lo inició en una máquina limpia en 12 minutos, con 0 errores por el camino, y grabó la sesión.
- ¿Cómo probó Argusic CodeGraphContext?
- En una máquina limpia y desechable, con cada comando grabado y el repositorio fijado en el commit 8e08dcc9a0e8. Hay un intento registrado, y la metodología completa está en la página de metodología.
- ¿Cuánto costó probar CodeGraphContext?
- La ejecución que produjo este veredicto costó 0,13 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 CodeGraphContext en instalarse?
- 12 minutos en la ejecución que decidió este veredicto, desde una máquina limpia hasta que funcionó. Es un intento medido, no una media.
- ¿Necesita CodeGraphContext una GPU?
- No para arrancar. Argusic consiguió que funcionara en una máquina sin GPU.
- ¿Qué falla al instalar CodeGraphContext?
- Nada, en la ejecución registrada: cero errores entre el clon y el funcionamiento.
- ¿Dónde está la evidencia de CodeGraphContext?
- 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.