一句话看懂：开源工具 Graft 通过预先构建代码库的静态结构图，能让 Claude Code、Cursor 等 AI 编程助手减少大量重复探索操作，在实测中帮助 Claude Code 节省 42% 的 token 消耗，并在 SWE-bench 测试中把代码修复正确率从 54% 提升到 66%。
事件核心：发生了什么
NanoNets 团队在 Hacker News 上发布了名为 Graft 的开源命令行工具，目标是给 Claude Code、Cursor、Codex、Gemini 等 AI 编程代理提供“代码库上下文”的持久化层。传统模式下，编程助手每接到一个新任务，都要从头开始用 grep 搜索、打开文件、追踪 import 关系来重新理解代码库，这些重复探索消耗了大量 token 和时间。
Graft 的做法是在项目根目录下生成一个名为 graft/ 的文件夹，里面存放按系统、API 或概念组织好的 markdown 文件，每个文件用自然语言解释对应模块的职责和关联，形成一个可供读取的代码关系图。这个图由 tree-sitter 确定性解析生成，不依赖向量数据库或 embedding；生成文本摘要时才会调用 OpenAI、Anthropic 或本地模型，运行在用户自己的 API key 下。
衡量结果显示：在 162 次受控运行中，启用 Graft 的 Claude Code 工具调用减少了 46%，token 消耗减少 42%，运行时间缩短 60%；在 SWE-bench Verified 基准上，修复正确率从冷启动的 54% 提升到 66%。整个工具只需执行 npm install -g @nanonets/graft 和 graft init 两步即可接入。
为什么重要
AI 编码助手的成本大头不在于模型推理本身，而在于代理反复“重新发现”代码结构的过程。Graft 把这份探索成本变成一次性投入，并随 git 仓库一起更新，相当于为代理提供了一份可持续维护的代码地图。这个思路与常见的向量检索增强生成（RAG）方案形成对比：Graft 不依赖相似度搜索或常驻索引，而是让代理用读取普通文件的方式理解项目。
此外，Graft 把长期记忆从“会话内”搬到“仓库内”——代理之前摸索出的结构知识不再随会话结束而消失，代码变动后也可通过 diff 在 pull request 中审查。这种将缓存和团队协作相结合的路径，可能比单纯扩大上下文窗口更为经济。随着 Claude Code 等工具的企业级采用加速，类似 Graft 的“上下文压缩层”有机会成为编码代理的基础设施。
对用户/开发者/创作者的影响
对使用 AI 编程助手的开发者而言，Graft 直接降低了 token 费用和等待时间，尤其适用于大型 monorepo 或历史代码库——这些场景恰好是代理最容易“迷路”的地方。由于它生成的是普通文件，开发者可以像审查代码一样审查图内容，也能选择只把 .claude/ 配置提交到 git，让团队各自生成私有图。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对正在选型企业级 AI 开发工具的技术负责人来说，Graft 提供了一个可度量、可对照的数据点：42% 的 token 节省和 12 个百分点的正确率提升来自相同模型、相同工具链的对照实验，这种量化方式值得参考。对 AI 工具链的开发者而言，Graft 证明了“静态分析 + 可解释快照”相比“向量索引”可能是编程代理更自然的上下文供给方式。
值得关注的后续
目前公开信息显示，Graft 已适配 Claude Code 深度集成、MCP server 和命令行模式，并支持 Node/Express 等主流语言。接下来可以观察三个方向：第一，Graft 在大型商业代码库上的实测效果是否稳定，尤其是多语言 monorepo 下的图构建耗时；第二，Claude Code、Cursor 等厂商是否会推出同类原生功能，把上下文持久化做成内置能力；第三，社区是否会形成像 “graft/” 这样的可共享代码知识文件格式，让代码库的理解成本从个人缓存变成团队资产。
