Code Context Engine

本地服务

github.com/elara-labs开发工具4409 周前更新

代码仓库

关于 Code Context Engine

Code Context Engine（CCE）为代码库建立本地索引，让 AI 编码工具通过检索获取相关代码，而不是反复读取整个文件。适合希望降低 Claude Code 等工具 token 消耗的开发者，并支持跨会话记忆。

主要功能

01基于 tree-sitter 的代码语义分块
02向量与 BM25 混合检索
03记录并召回跨会话的决策
04本地存储，不进行云端索引
05显示 token 节省的估算金额

适用场景

01降低 Claude Code 的输入 token 消耗
02在多个编辑器之间共享同一份索引
03保存架构决策并在后续会话中召回

MCP 相关

CCE 是一个 MCP 服务，向 MCP 客户端暴露 context_search、session_recall、record_decision 等 11 个工具。cce init 会为多种编辑器写入对应的 MCP 配置。

配置

本地服务的配置在各客户端中通用，复制后粘贴到客户端的 MCP 配置文件即可。

mcp.json · 通用配置

{
  "mcpServers": {
    "ai-elara-code-context-engine": {
      "command": "uvx",
      "args": [
        "code-context-engine"
      ]
    }
  }
}

启动命令uvx code-context-engine

本地服务需要在你的电脑上安装运行环境（如 Node.js 18+）。各客户端的配置文件位置不同，请参考客户端文档。

安装包

pypicode-context-engine0.4.13stdio

工具

还没有获取到工具列表

本地服务需要在你的电脑上运行后才能读取工具，维护者暂未提供工具列表。

详细介绍

Code Context Engine

为代码库建立索引。AI 通过搜索获取信息，无需反复读取文件。
经可复现的基准测试，节省 94% 的令牌。

网站 · 文档 · 为什么选择 CCE？ · 基准测试 · GitHub

_{Python 3.11+ · macOS · Linux · Windows}

_{一条命令。自动检测编辑器。无需云服务，无需配置。}

CCE 演示

_{演讲：我们将 AI 编码 Token 减少了 94% — AI Engineer World's Fair 2026}

使用场景

	使用场景	CCE 的作用
💰	降低 Claude Code 成本	每个会话的输入 Token 减少 94%
🔒	保护代码隐私	所有数据都在本地，不进行云端索引
🔄	多编辑器团队	Claude Code、Cursor、VS Code、Gemini CLI 共用一个索引
🧠	跨会话记忆	决策和上下文在重启后依然保留
⚡	更快响应	上下文更少，Claude 回复更快
📊	追踪实际节省金额	显示实际金额，而非估算值

快速开始

只需一条命令，30 秒即可完成。

uvx --from "code-context-engine[local]" cce init    # install + index + configure, one shot

如果你更喜欢持久安装：

uv tool install "code-context-engine[local]"    # or: pipx install "code-context-engine[local]"
cd /path/to/your/project
cce init

重启编辑器即可。每个问题现在都会查询索引，而不是重新读取文件。

**支持 Agent Plugin：**运行 cce init --plugin 以生成可移植的 Agent Plugin 目录，适用于 VS Code、Cursor、Copilot、Codex、ChatGPT 和 Kiro。该插件使用 uvx 按需启动 CCE，因此用户无需预先安装 Python 软件包。请参阅下方的 Agent Plugin。

已经安装 Ollama？ 跳过 [local]，改用 uv tool install code-context-engine。CCE 会自动检测 localhost:11434 上的 Ollama，并使用 nomic-embed-text。

系统要求

Python 3.11+ 和 C 编译器（用于 tree-sitter 语法解析器）。

平台	安装方式
macOS	`xcode-select --install`
Ubuntu/Debian	`sudo apt install build-essential cmake`
Fedora/RHEL	`sudo dnf install gcc gcc-c++ cmake`
Windows	Visual Studio Build Tools（C++ 工作负载）+ CMake

已在 macOS、Linux 和 Windows 上通过 Python 3.11/3.12/3.13 测试。

cce init 会自动检测你的编辑器，并写入相应配置。要指定某个 Agent，请使用 --agent claude、--agent codex、--agent copilot、--agent pi 或 --agent all。

编辑器	写入的配置	指令文件
Claude Code	`.mcp.json`	`CLAUDE.md`
VS Code / Copilot	`.vscode/mcp.json`	`.github/copilot-instructions.md`
Cursor	`.cursor/mcp.json`	`.cursorrules`
Gemini CLI	`.gemini/settings.json`	`GEMINI.md`
OpenAI Codex	`~/.codex/config.toml`（用户全局配置，按项目分节）	`AGENTS.md`
OpenCode	`opencode.json`
Tabnine	`.tabnine/agent/settings.json`	`TABNINE.md`
Pi	`.mcp.json`	`AGENTS.md`

同一个项目中使用多个编辑器？一条命令即可为它们全部完成配置。

**Codex 说明：**Codex CLI 只会从 ~/.codex/config.toml 读取 MCP 服务 — 它不支持项目级配置。cce init 会为每个项目添加一个 [mcp_servers.cce-<project>-<hash>] 分节，让多个项目共存；cce uninstall 只会移除当前项目对应的分节。

**Pi 说明：**Pi 不原生支持 MCP。要在 Pi 中使用 CCE，你需要安装 Pi MCP 适配器扩展（例如 pi-mcp-adapter），以读取 .mcp.json 配置并将 CCE 的工具提供给 Pi Agent。 cce init 会同时设置 .mcp.json 和 AGENTS.md（Pi 会在启动时自动加载后者作为启动指令）。

  my-project · 38 queries · last query 5m ago

  ⛁ ⛶ ⛶ ⛶ ⛶ ⛶ ⛶ ⛶ ⛶ ⛶  88% tokens saved

  Input savings   1.9M  tokens   $27.78
  Output savings  4.8k  tokens   $0.36
  ──────────────────────────────────────────
  Total saved   1.9M  tokens   $28.15

  Breakdown:
    retrieval              84%  ▰▰▰▰▰▰▰▰▰▰    1.8M   $26.76 · 12 calls
    chunk compression       3%  ▰▱▱▱▱▱▱▱▱▱   68.5k    $1.03 · 12 calls
    output compression*    <1%  ▰▱▱▱▱▱▱▱▱▱    4.8k    $0.36 · 12 calls

  Cost estimate based on Opus pricing (input $15.0/1M, output $75.0/1M)

支持 Anthropic、OpenAI 和 Google 的模型定价。通过 ~/.cce/config.yaml 中的 pricing.model 进行配置。

为什么这很重要

输入令牌占 Claude Code 账单的 85-95%。CCE 可将其减少 94%（在 FastAPI 上进行基准测试）。

Without CCE:    Claude reads payments.py + shipping.py   = 45,000 tokens
With CCE:       context_search "payment flow"            =    800 tokens

	不使用 CCE	使用 CCE
会话启动	每次都重新读取文件	查询索引
查找函数	读取整个 800 行文件	获取 40 行的函数
跨会话记忆	无	保存决策和代码区域
令牌成本（Sonnet，中型项目）	约 $0.14/会话	约 $0.04/会话

基准测试：FastAPI（可复现）

我们使用 20 个真实编码问题，将 CCE 与 FastAPI（53 个源文件，180K 个令牌）进行基准测试。没有挑选有利结果，也没有合成查询。

方法： 对于每个查询，“不使用 CCE”表示读取查询涉及的每个文件的完整内容。“使用 CCE”表示压缩后的相关代码块。

重要的基线说明： 94% 这一数字是以读取完整文件为基准测得的，并非以 Claude Code 实际执行的操作为基准。实际上，Claude Code 已经会使用 grep、部分文件读取和定向工具，因此与 Claude Code 常规行为相比，实际节省会低于 94%。我们使用完整文件作为基线，是因为这种方式可复现且结果确定（不受 Agent 行为差异影响）。此基准测试衡量的是 CCE 的检索效率，并非与 Claude Code 内置探索功能进行直接比较。

指标	结果
检索节省	94%（每个查询 83,681 → 4,927 个令牌）
压缩（对检索到的代码块进行额外压缩）	89%（每个查询 4,927 → 523 个令牌）
Recall@10（找到正确文件的比例）	0.90
延迟 p50	0.4ms
测试查询数	20

各层节省（分别独立测量）

层	功能	节省	方法
检索	完整文件 → 相关代码块	94%	实测
代码块压缩	原始代码块 → 签名 + 文档字符串	89%	实测
语法	从记忆文本中去掉冠词和填充词	13%	实测

输出压缩（缩短 Claude 的回复）还能进一步节省（估算约 65%），但未计入上方的主要数字。

多语言基准测试

仓库	语言	文件数	检索节省	Recall@10
FastAPI	Python	53	94%	0.90
Django	Python（大型）	2,347	93%	0.95
Express	JavaScript	6	94%	1.00
chi	Go	94	76%	0.67
fiber	Go（单体仓库）	396	93%	0.07

Django（2,347 个文件，5.4M 个令牌）的结果表明，CCE 可扩展到大型代码库，同时保持 0.95 的召回率。Go 文件较短，因此检索提升空间较小（基线更低）。在 top-10 中，单体仓库会拉低召回率（fiber）。每个文件包含一个特性的中间件查询则始终达到 R=1.00。

亲自复现：

pip install code-context-engine
python benchmarks/run_benchmark.py --repo https://github.com/fastapi/fastapi.git --source-dir fastapi
python benchmarks/run_benchmark.py --repo https://github.com/go-chi/chi.git --source-dir .

完整结果见 benchmarks/results/。查询和方法见 benchmarks/。

你将获得

11 个 MCP 工具，Claude 会自动使用：

工具	功能
`context_search`	结合向量与 BM25 的混合搜索，并进行图扩展
`expand_chunk`	查看压缩结果的完整源代码
`related_context`	通过图边（调用、导入）查找代码
`session_recall`	回忆过去会话中的决策
`session_timeline`	浏览会话的轮次摘要（深入查看回忆结果）
`session_event`	检查特定事件的原始工具输入/输出
`record_decision`	保存决策，供未来会话使用
`record_code_area`	记录已处理的文件
`index_status`	检查索引是否为最新
`reindex`	重新索引文件或整个项目
`set_output_compression`	调整响应详细程度（`off` / `lite` / `standard` / `max`）

实时仪表板，包含环形图、文件健康状态和会话历史：

cce dashboard

CCE 仪表板

多服务商定价的美元费用估算（Anthropic、OpenAI、Google）：

cce savings --all    # see savings across all projects

工作原理

索引： Tree-sitter 将代码解析为语义块（函数、类、模块）。并在本地存储为向量嵌入。
搜索： Claude 调用 context_search。混合向量与 BM25 检索可找到合适的代码块。代码图会自动补充相关文件。
压缩： 代码块会被截断为签名和文档字符串（如果 Ollama 正在运行，则会由大模型生成摘要）。
记忆： 决策和代码区域会通过 session_recall 跨会话保留。
跟踪： 每次查询都会被记录。cce savings 会准确显示节省了多少。

编辑后重新索引用时不到 1 秒（嵌入缓存命中率为 96%）。Git 钩子会自动保持索引最新。

CCE 的不同之处

在最能省钱的地方为你省钱

输出压缩工具（如 Caveman）可节省 20-75% 的输出令牌。输出占账单的 5-15%。净节省约为 11%。

CCE 可节省输入令牌（在 FastAPI 上检索节省 94%，可复现的基准测试）。输入占账单的 85-95%。

真正理解你的代码

这不是文本搜索。Tree-sitter AST 解析会创建语义代码块。混合检索通过 Reciprocal Rank Fusion 合并向量相似度与 BM25 关键词匹配。置信度评分器会综合相似度（50%）、关键词匹配（30%）和时效性（20%）。图扩展会遍历 CALLS/IMPORTS 边，以提取相关代码。

记住信息

record_decision("use JWT for auth", reason="session tokens flagged by legal") 会存储在 SQLite 中，并在下一个会话中通过 session_recall 显示。无需反复解释你的架构。

跟踪实际节省

并非估算值，而是与完整文件基准相比实际提供的令牌数，并按类别（检索、压缩、输出、记忆、语法）细分。美元费用从 Anthropic 的定价页面获取。每次会话开始时都会显示节省汇总。

默认安全

机密文件（.env、*.pem、credentials.json）绝不会被索引。内容会扫描 AWS 密钥、GitHub 令牌、Slack 令牌、Stripe 密钥、JWT 和通用凭证。写入记忆前会清除 PII（电子邮件、IP、SSN、信用卡）。所有 MCP 文件路径都会经过路径遍历验证。

深入原理

基于内容哈希的嵌入缓存

为每个代码块生成 SHA-256 指纹，并使用模型名称加盐。重新索引时跳过未更改的代码。采用二进制 float32 存储（比 JSON 小 10 倍）。典型的重新索引缓存命中率为 96%，耗时不到 1 秒。

sqlite-vec：2 MB，而非 217 MB

用 sqlite-vec 替换了 LanceDB。余弦距离质量相同，安装体积缩小 99%。WAL 模式 + PRAGMA NORMAL 可将写入速度提升 80%。向量、FTS5、代码图和压缩缓存全部存储在 3 个 SQLite 文件中。

确定性语法压缩

无需调用大模型即可压缩记忆条目。删除冠词、填充词和代词。提供 3 个级别（lite/full/ultra，节省 20-60%）。代码、路径和 URL 按字节原样保留。相同输入始终产生相同输出。

故障时关闭的钩子设计

5 个 Claude Code 生命周期钩子用于捕获会话上下文。每个钩子都会运行 curl ... || true，因此服务崩溃也不会阻止用户操作。SessionStart 注入引导上下文；其他钩子则静默捕获信息。

多提供商定价

cce savings 中的美元估算支持 Anthropic、OpenAI 和 Google 的 15+ 个模型。CCE 内置静态定价；Anthropic 的实时定价会获取并缓存 7 天。可配置 pricing.model（例如 gpt-4o、gemini-2.5-pro、sonnet），也可通过 pricing.input / pricing.output 覆盖为自定义费率。

资源管理器（多实例安全）

运行数十个 cce serve 进程（每个 AI 会话中的每个项目各运行一个）可能耗尽系统内存。资源管理器会限制每个进程的 ONNX Runtime 线程数，使用建议式文件锁确保同一时间只有一个进程为指定项目编制索引，在 Linux 内存压力（PSI）下自动退避，并在空闲 30 分钟后自动关闭服务。通过 serve.idle_timeout_minutes 和 serve.max_ort_threads 配置。

记忆提醒

CCE 的跨会话记忆依赖 Agent 调用 record_decision 和 record_code_area。记忆提醒让记录成为自然环节：连续搜索 N 次但未记录后，context_search 结果中会包含简短提醒。会话结束时，Stop 钩子会总结未记录的活动。首次记录后，提醒会重新启用，让它们保持实用而不造成干扰。

HTTP 搜索端点

cce serve --http 会提供 POST /search 端点，供通过 HTTP 而非 MCP stdio 通信的自定义 Agent 集成使用。采用相同的混合检索流程，并以结构化 JSON 响应返回置信度分数。输入验证会限制 top_k（1..100）和 confidence_threshold（0.0..1.0）。

仅追加的节省记录账本

7 个类别会跟踪每一处 Token 节省：检索、代码块压缩、输出压缩、记忆召回、语法、轮次总结和渐进式披露。重启后数据仍会保留，为命令行和仪表盘分析提供支持。

Agent 插件

Agent 插件是一项开放标准（v1.0.0），由 Amazon、Cursor、Microsoft、OpenAI 和 Vercel 支持，用于将 AI 技能和 MCP 服务打包为可移植、零安装的捆绑包。CCE 可以生成插件目录，兼容的编辑器能够自动发现并加载该目录。

cce init --plugin                          # Generate at .cce/plugin/
cce init --plugin --plugin-dir ~/plugins/cce  # Custom location
cce init --agent claude --plugin           # Both: agent config + plugin

生成的内容

.cce/plugin/
├── plugin.json                       # Agent Plugins v1.0.0 manifest
├── mcp.json                          # MCP server config (uvx + stdio)
├── skills/
│   └── code-context/
│       ├── SKILL.md                  # Agent instructions (frontmatter + body)
│       └── references/
│           └── tools.md              # Per-tool parameter docs (loaded on demand)
└── LICENSE

兼容的编辑器

VS Code、GitHub Copilot、ChatGPT、Codex、Cursor 和 Kiro。该插件使用 uvx 按需启动 CCE，因此用户无需预先安装 Python 包。MCP 服务会从其工作目录向上遍历，查找 .context-engine.yaml 或 .git/，从而自动发现项目根目录。

何时使用 `--plugin`，何时使用 `--agent`

	`--agent`（默认）	`--plugin`
安装方式	写入特定编辑器的配置文件	生成可移植的插件目录
零安装	否，CCE 必须位于 PATH 中	是，`uvx` 会按需获取 CCE
指令更新	需重新运行 `cce init` 才会更新	需重新运行 `cce init --plugin` 才会更新
最适合	在自己的机器上使用	与团队共享或分发

两者可以同时使用。--agent 负责处理各编辑器的 MCP 配置，--plugin 则提供可移植的替代方案。

CLI 一览

cce init                    # Index + install hooks + register MCP
cce init --plugin           # Generate Agent Plugin for VS Code, Cursor, etc.
cce                         # Status banner
cce savings                 # Token savings with dollar estimates
cce savings --all           # All projects
cce dashboard               # Web dashboard with live charts
cce search "auth flow"      # Test a query
cce status                  # Index health + config
cce services                # Ollama + dashboard + MCP status
cce commands add-rule '...' # Project rules for Claude
cce uninstall               # Clean removal of all CCE artifacts

运行 cce list 查看完整的命令参考。

配置

默认无需配置。可在 ~/.cce/config.yaml 或 .context-engine.yaml 中覆盖所需配置：

compression:
  level: standard          # minimal | standard | full
  output: standard         # off | lite | standard | max
  ollama_url: http://localhost:11434   # point at a remote Ollama if desired

retrieval:
  top_k: 20
  confidence_threshold: 0.5

pricing:
  model: opus              # opus | sonnet | haiku | gpt-4o | gemini-2.5-pro | ...
  # input: 15.0            # override $/1M input tokens
  # output: 75.0           # override $/1M output tokens

远程 Ollama： 如果你在网络中的另一台机器上运行 Ollama，请设置 compression.ollama_url（例如 http://nas.local:11434），或导出 CCE_OLLAMA_URL（环境变量优先）。CCE 会探测该端点；如果无法访问，则回退到仅截断压缩，因此不稳定的连接不会导致索引失败。

输出压缩

CCE 也会压缩 Claude 的响应（与 Caveman 的概念相同）：

级别	风格	节省量
`off`	完整输出	0%
`lite`	去掉填充语和模棱两可的措辞	~30%
`standard`	使用片段，去掉冠词	~65%
`max`	电报式	~75%

告诉 Claude：“切换到最高级别压缩”或“关闭压缩”。代码块和命令永远不会被压缩。

磁盘占用

组件	大小
核心安装（Ollama 后端）	~17 MB
使用 `[local]` 扩展（fastembed + ONNX）	~189 MB
嵌入模型（一次性下载）	~60 MB（fastembed），或由 Ollama 管理
每个项目的索引（小型／中型／大型）	5-60 MB

无需 GPU。使用 Ollama 时，嵌入由 Ollama 服务处理。使用 [local] 扩展时，嵌入模型通过 ONNX Runtime 在 CPU 上运行。

支持的语言

AST 感知分块（由 tree-sitter 解析，11 种扩展名）：

语言	扩展名
Python	`.py`
JavaScript	`.js`、`.jsx`
TypeScript	`.ts`、`.tsx`
PHP	`.php`
Go	`.go`
Rust	`.rs`
Java	`.java`
C#	`.cs`

语言感知回退分块（40 多种扩展名）：

类别	语言
Web	HTML、CSS、SCSS、LESS、Vue、Svelte
系统	C、C++、Zig、Nim
移动端	Swift、Kotlin、Dart
函数式	Haskell、Scala、Clojure、Elixir、Erlang、F#
脚本	Ruby、Perl、Lua、R、Bash/Zsh
数据／配置	JSON、YAML、TOML、XML、SQL、GraphQL、Protobuf
DevOps	Terraform、HCL、Dockerfile
文档	Markdown

其他所有文本文件均按行范围分块。二进制文件会被跳过。

文档

页面	内容
使用 AI 编码令牌要花多少钱？	输入令牌与输出令牌的计算
什么是 CCE？（完整指南）	设置、工具、工作原理、常见问题
如何节省 Claude Code 令牌	成本明细与节省指南
基准测试深入解析	完整的 FastAPI 基准测试方法
与其他方案的比较	CCE 与 Cursor、Aider、Continue、Greptile 的比较
示例	与 Claude 的真实对话
工作原理	完整的 9 阶段流水线
CLI 参考	每条命令及其输出
配置	所有配置选项

常见问题

CCE 会影响回复质量吗？

不会。质量保持不变或略有提升。

CCE 会将“倾倒整个文件”替换为“搜索相关函数”。模型仍能获取所需代码（基准测试中的 Recall@10 为 0.90）。减少无关上下文意味着减少干扰注意力的噪声，从而让模型更专注于你的实际问题。

输出令牌节省是如何实现的？

CCE 会在 cce init 期间，将输出压缩规则直接写入 Agent 的指令文件（CLAUDE.md、AGENTS.md、.cursorrules 等）。这些规则适用于整个会话，而不只是 CCE 工具的回复，因此 Agent 的每条回复都会遵循这些规则。

在 ~/.cce/config.yaml 或 .context-engine.yaml 中设置级别：

compression:
  output: max       # off | lite | standard | max

然后重新运行 cce init 以更新指令文件。也可以在运行时更改：

set_output_level output_level=max

级别	节省比例	功能
`off`	0%	不压缩
`lite`	~25%	删除填充词、模糊措辞和客套话 + 代码变更仅输出差异
`standard`	~70%	删除冠词、残句和简短同义词 + 代码仅输出差异
`max`	~80%	电报式表达 + 代码仅输出差异

默认级别为 standard。所有级别都包含代码输出规则，要求模型只显示更改的行（而不是重写整个文件），因为编码会话中的大部分输出令牌都消耗在这里。max 级别生成的文本非常简短（类似“原始人模式”）。无论级别如何，代码块、路径和命令都不会被压缩。

节省的令牌来自哪里？

大部分节省来自输入令牌（输入模型的内容）：

层	类型	典型节省比例
检索	输入	94%（完整文件 → 相关片段）
片段压缩	输入	89%（片段 → 签名）
语法压缩	输入	13%（删除冠词和填充词）
轮次摘要	输入	因情况而异（会话历史）
渐进式披露	输入	因情况而异（工具负载）
输出压缩	输出	25-80%（取决于级别）

每个输出令牌的成本是输入令牌的 5 倍（例如，Opus：每 1M 输入令牌 $15，对比每 1M 输出令牌 $75），因此即使只是略微减少输出，也能大幅降低成本。

路线图

多仓库基准测试（FastAPI、chi、fiber）
更多基准测试（Django、Express）
为 C、C++、Ruby、Swift、Kotlin 提供 Tree-sitter 支持
为远程模式提供 Docker 支持
迁移至 mcp 2.x API

已发布的功能请参阅 CHANGELOG.md。

贡献

欢迎贡献。有关设置说明，请参阅 https://github.com/elara-labs/code-context-engine/blob/main/CONTRIBUTING.md。

许可证

MIT。请参阅 LICENSE。

作者

致谢

Claude Code · MCP · sqlite-vec · Tree-sitter · fastembed · Ollama

如果 CCE 帮你节省了令牌，请给它点个星。

支持 Markdown

登录后评论

第一次接触 MCP？

从协议是什么，到在客户端里装上第一个服务，这几条回答覆盖了大多数入门问题。

阅读入门指南

一个开放协议，规定了 AI 应用如何以统一方式连接外部工具与数据源。客户端负责与模型对话，MCP 服务负责提供工具、资源和提示模板，两者通过标准消息通信，同一个服务可以被不同客户端复用。

Code Context Engine

关于 Code Context Engine

主要功能

适用场景

MCP 相关

配置

工具

详细介绍

Code Context Engine

使用场景

快速开始

为什么这很重要

基准测试：FastAPI（可复现）

各层节省（分别独立测量）

多语言基准测试

你将获得

工作原理

CCE 的不同之处

在最能省钱的地方为你省钱

真正理解你的代码

记住信息

跟踪实际节省

默认安全

深入原理

Agent 插件

生成的内容

兼容的编辑器

何时使用 --plugin，何时使用 --agent

CLI 一览

配置

输出压缩

磁盘占用

支持的语言

文档

常见问题

CCE 会影响回复质量吗？

输出令牌节省是如何实现的？

节省的令牌来自哪里？

路线图

贡献

许可证

作者

致谢

评论

第一次接触 MCP？

MCP（Model Context Protocol）是什么？

MCP 服务和客户端有什么区别？

本地服务与远程服务怎么选？

如何在 Claude、Cursor 等客户端中安装服务？

收录的项目经过审核吗？“认证”标识代表什么？

我维护的项目已被收录，怎样认领？

何时使用 `--plugin`，何时使用 `--agent`