Original em inglês: https://argusic.com/subject/codegraphcontext
CodeGraphContext
Um servidor MCP e uma ferramenta CLI que indexa código local em um banco de dados em grafo para fornecer contexto a assistentes de IA.
Executafonte: GitHubpágina do projetoPythonMITcommit 8e08dcc9a0e8
Python, licença MIT. O projeto se descreve como: codegraph, codegraphcontext, hacktoberfest2025 e social winter of code.
CodeGraphContext executa. Em uma máquina limpa sem GPU, um agent da Argusic o instalou em 12 minutos e não encontrou nenhum erro, e a sessão inteira foi gravada.
CodeGraphContext 0.6.13 installed and working: CLI, FalkorDB/KuzuDB/LadybugDB backends, indexing, MCP server, and 1615 of 1627 tests pass.
O que o agent conseguiu em uma máquina limpa, nas palavras dele. Como isto é medido
Medido pela Argusic em uma máquina nova, todas as vezes. Cada número tem link para as suas evidências. Pontuação Argusic 100 de 100 (a média das pontuações das execuções deste projeto).
Visão geral
Dados do projeto de GitHub, com link no topo desta página, atualizado em . Dados de teste da Argusic (CC BY 4.0); cada número tem link para uma página de execução com o log completo, a gravação e os hashes sha256 deles.
O que foi medido
Da execução que decidiu este veredito. Cada linha é um valor registrado, não uma estimativa.
- Tempo de instalação
- 12 minutos
- Da máquina limpa até o fim
- 36 minutos
- Erros encontrados e corrigidos
- 0 encontrados, 0 corrigidos sem ajuda humana
- Como o resultado foi comprovado
- 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 exato testado
- 8e08dcc9a0e8
- Imagem do container
- sha256:cdd920bce783
O que não foi medido
A outra metade, para você ver exatamente até onde estas evidências vão. Uma lacuna é mostrada como lacuna e nunca é preenchida.
- Pico de memória da GPU
- esta execução foi em uma máquina com CPU, então não havia GPU para medir
- Comportamento em uma execução longa
- cada tentativa usa as menores configurações documentadas e um orçamento de tempo fixo, então isto mede se ele executa, não como ele se comporta sob carga
O fim da gravação
As últimas linhas da sessão de terminal que decidiu este veredito, exatamente como foram gravadas.
- `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…
Reproduzir a sessão inteira, cada comando desde a máquina limpa até este ponto.
Como foi testado
Um agent, um container, nenhuma ajuda humana. Ele instala o projeto do jeito que a própria documentação do projeto manda, executa o projeto e corrige o que quebra. Tudo abaixo é registrado como aconteceu: a sessão de terminal, o log e o commit exato. A metodologia completa.
Pontos fortes e limites
Fatos medidos, não opiniões. Como este conteúdo é escrito.
O que deu certo
- Chegou a um estado de execução em uma máquina limpa, com a sessão gravada.
- Instalado em 12 minutos.
- Nada quebrou no caminho: zero erros entre o clone e a execução.
- Executou sem GPU, então não precisa de uma para iniciar.
- Licença MIT, segundo a plataforma onde o projeto está hospedado.
O que não deu certo, ou não se sabe
- Medido uma vez até agora. Uma única tentativa mostra que ele pode executar, não que executa de forma confiável.
Para que é uma escolha razoável
- Testar em um laptop ou em um servidor pequeno: ele chegou a um estado de execução sem GPU.
- Seguir o próprio README: o caminho documentado funcionou sem nada para corrigir.
Histórico de execuções
Tópicos (de GitHub)
codegraphcodegraphcontexthacktoberfest2025social-winter-of-code
Incorporar o selo
Markdown para o README do projeto. Ele tem link de volta para esta página; os termos estão na página de termos.
[](https://argusic.com/subject/codegraphcontext)Perguntas
- CodeGraphContext executa?
- Sim. CodeGraphContext executa. A Argusic o instalou e iniciou em uma máquina limpa em 12 minutos, encontrando 0 erros no caminho, e gravou a sessão.
- Como a Argusic testou CodeGraphContext?
- Em uma máquina nova e descartável, com cada comando gravado e o repositório fixado no commit 8e08dcc9a0e8. Há uma tentativa registrada, e a metodologia completa está na página da metodologia.
- Quanto custou testar CodeGraphContext?
- A execução que produziu este veredito custou US$ 0,13: custo real de computação e de modelo, não um preço de tabela por milhão de tokens. Esse valor está registrado na página da execução.
- Quanto tempo leva para instalar CodeGraphContext?
- 12 minutos na execução que decidiu este veredito, de uma máquina limpa até um estado de execução. É uma tentativa medida, não uma média.
- CodeGraphContext precisa de GPU?
- Não para iniciar. A Argusic chegou a um estado de execução em uma máquina sem GPU.
- O que dá errado ao instalar CodeGraphContext?
- Nada deu errado na execução registrada: zero erros entre o clone e a execução.
- Onde estão as evidências de CodeGraphContext?
- A execução registrada está nesta página, cada uma com link para o seu log completo e a sua gravação do terminal, guardados com uma impressão digital sha256 para que não possam ser alterados discretamente.