AI智能摘要
本文介绍了一个名为“augmented-codebase-indexer”的开源工具，旨在替代ACE，实现本地部署的代码库语义检索。开发者出于对AI IDE（如Cursor）语义检索功能的兴趣，为保障代码隐私和灵活性，开发了此工具。其核心特性是完全本地化，支持通过Docker运行Qdrant向量数据库，并可选择使用硅基流动的免费API或本地部署嵌入与重排序模型。工具提供MCP Server、HTTP API、CLI等多种交互方式。项目目前处于原型阶段，已实现功能闭环，但MCP模式下的性能优化是后续重点。项目地址为GitHub: https://github.com/AperturePlus/augmented-codebase-indexer。
— 此摘要由AI分析文章内容生成，仅供参考。
本文为转载内容，保留原帖观点与结构；如有侵权请联系我处理。
一直对 AI IDE（如 Cursor）背后的 codebase 语义检索功能非常感兴趣。为了能在本地环境中复刻这种体验，同时确保代码隐私和灵活性，我借助 Kiro 开发了这个开源工具。
目前它还是一个原型阶段，但在功能完整性上已经跑通了闭环。虽然在极致性能上可能还无法完全比肩商业产品，但它的核心优势在于完全自主可控。
- 完全本地化支持：
- 向量数据库：支持本地 Docker 运行 Qdrant。
- 模型支持：Embedding（嵌入）和 Rerank（重排序）模型既可以使用硅基流动的免费 API，也支持完全本地部署（推荐小参数量模型即可）。
- 多维度的交互方式：
- MCP Server：支持 Model Context Protocol，可直接接入支持 MCP 的 AI 客户端。
- HTTP API：方便集成到其他工具流中。
- CLI & Interactive Shell：提供命令行直接索引/检索，以及交互式 Shell 模式。
- 灵活的向量维度：
- 默认使用 1024 维向量，实测效果平衡。
- 注意：Embedding 模型一旦选定，检索时必须保持一致，不同模型（特别是跨厂商）的向量空间不兼容。
- 性能优化：目前在 MCP 模式下，由于 MCP 的事件循环与 Python 的
ProcessPoolExecutor存在兼容性问题，响应速度稍慢于直接调用。这是接下来的重点优化方向。 - 模型测试：暂时主要测试了 1024 维度的效果，未来会尝试更多维度和模型的 benchmark。
GitHub: https://github.com/AperturePlus/augmented-codebase-indexer
开发这个工具确实费了一番功夫，希望能给同样想在本地搭建代码知识库的朋友提供一个选择。欢迎各位大佬试用、提 Issue 或 PR，不论是代码优化还是架构建议，都非常感谢！
Comments NOTHING