Jcodemunch Mcp

jCodeMunch MCP

一个 MCP 服务，使用 tree-sitter AST 解析，按符号而非文件检索源代码。 在我们固定的基准测试中，单次查找所需的 token 比 grep-and-read Agent 少 96.2%（少 26.5 倍；15 次查找的降幅为 86.9% 至 98.7%），让你的 Agent 不再把上下文窗口浪费在整个文件上。

_{基准测试：在固定提交版本的 express、fastapi 和 gin 上各执行 5 次查询，使用 tiktoken cl100k_base 统计 token；jcodemunch-mcp 使用提交 15afcf75，其版本字符串为 1.108.391，但也包含在 1.108.392 中发布的设置文件排序变更，以及随后发布的字段／常量变更。一次查找包含一次 search_symbols，以及对其排名前 3 的结果调用 get_symbol_source；对比方式为 grep-and-read（按匹配数对文件排序，并读取排名前 3 个文件的全部内容）。数据按单次查找计算，而非按会话计算。请参阅 benchmarks/REPRODUCING.md 重现测试。}

真实结果，来自生产环境实时数据 已节省超过 838B 个 token · 超过 136,000 次报告安装 · 避免超过 $4.2M 的 AI 开支 · 避免排放超过 100,000 kg 的 CO₂ 计数数据截至 2026-08-17，按 Claude Opus 输入 token 每百万 $5 的费率计算。这四项数据都只会增长，因此请将其视为最低值。实时数据见 jcodemunch.com。

兼容 Claude Code、Cursor、VS Code、Codex CLI、Windsurf、Continue，以及任何兼容 MCP 的客户端。

立即安装 · 快速入门 · 查看证据 · 定价

个人使用免费。 用它赚钱，J 叔也要分一杯羹。公平吧？下方提供商业许可证。 我们的保证：如果 jCodeMunch 无法收回成本，你无需为 jCodeMunch 付费。

---

为什么选择 jCodeMunch？

大多数 AI Agent 都用成本高昂的方式探索代码仓库：打开整个文件，浏览成千上万行无关内容，然后重复操作。这可不是「有点低效」，而是token 焚烧炉。

jCodeMunch 只需为代码库建立一次索引，就能让 Agent 仅检索所需的确切代码：函数、类、方法、常量、大纲和范围严格限定的上下文包，精确到字节级别。它使用 tree-sitter 解析源代码，在本地索引中存储结构化符号元数据（签名、类型、限定名称、摘要、字节偏移）以及原始文件内容，并按需获取确切实现，而不必反复读取文件。

任务	传统方式	使用 jCodeMunch
查找函数	打开并扫描大型文件	搜索符号，获取确切实现
理解模块	阅读大段文件内容	仅提取相关符号和导入项
探索代码仓库结构	逐个遍历文件	查询大纲、树形结构和定向上下文包
「如果我更改 X，会造成什么影响？」	无法实现	get_blast_radius

建立一次索引，低成本查询，持续推进。精准上下文胜过蛮力上下文。

---

证据

可复现的 Token 效率基准测试

使用 tiktoken cl100k_base 测量，覆盖 3 个固定在上游提交版本的公开代码库；于 2026-10-22 在 v1.108.391 上运行（提交为 15afcf75，其版本字符串为 1.108.391，但也包含在 1.108.392 发布的设置文件排名变更，以及之后发布的字段／常量变更）。工作流：每次查询执行 search_symbols（前 5 个结果）+ get_symbol_source × 3。两个基线在同一次运行、同一语料库和同一文件读取器下测得：

• Grep-top-3：使用 rg -l 搜索查询词，按匹配数排列文件，并完整打开排名前 3 的文件。这是没有该工具的称职 Agent 实际会采用的方式，也是值得引用的数值。
• Read-all：拼接所有已索引的源文件。这是没人会付出的上限；保留此项是为了与之前公布的数据保持连续性。

代码库	文件数	符号数	Grep-top-3 基线	jCodeMunch	相比 grep	相比 read-all
expressjs/express	186	989	平均 15,724	平均 990	15.9 倍	156.1 倍
fastapi/fastapi	1,186	13,699	平均 85,296	平均 2,556	33.4 倍	322.9 倍
gin-gonic/gin	98	1,822	平均 31,975	平均 1,481	21.6 倍	102.5 倍
总计（15 次任务运行）			664,975	25,132	26.5 倍	225.2 倍

与 grep-and-read Agent 相比：减少 96.2%，Token 数减少 26.5 倍。 没有单一倍数能描述每次查询；各代码库的差异见上表。与 read-all 相比，数据为 99.6%，但没人会付出这个上限。紧凑的 MUNCH 线缆编码还可使响应字节数中位数额外减少 45.5%。

完整方法、固定提交、测试框架和已知注意事项：benchmarks/METHODOLOGY.md · 自行复现 · TOKEN_SAVINGS.md

生产代码库上的独立 A/B 测试

在真实的 Vue 3 + Firebase 生产代码库上进行 50 轮 A/B 测试，对比 jCodeMunch 与原生工具（Grep/Glob/Read），使用 Claude Sonnet 4.6，每轮使用全新会话：成功率分别为 80% 和 72%，超时率分别为 32% 和 40%，平均缓存创建量减少 10.5%。剔除固定开销后，工具层面的节省为 15%–25%。一类发现只出现在 jCodeMunch 组：通过 find_importers 检测孤立文件；原生工具无法回答这类结构化查询，除非编写脚本。完整报告：benchmarks/ab-test-naming-audit-2026-03-18.md

媒体提及

• Artur Skowroński（VirtusLab）："Token 数大约减少 80%，效率提高 5 倍——只需索引一次，就能一直低成本查询" · GitHub All-Stars #15
• Traci Lim（AWS · ASEAN AI Lead）："原生工具无法回答的结构化查询：find_importers、get_blast_radius、get_class_hierarchy、find_dead_code" · 5 Repos That Save Token Usage in Claude Code
• Julian Horsey（Geeky Gadgets）："从 3,850 个 Token 减至仅 700 个——提升 5.5 倍" · JCodeMunch AI Token Saver
• Eric Grill："上下文是稀缺资源。将其削减 90%，整个技术栈都会变得更便宜、更可靠" · jCodemunch: Context Engine for AI Agents

完整认可页面 →

---

安装

一键安装

推荐：一条命令

uv tool install jcodemunch-mcp
jcodemunch-mcp init

无需管理虚拟环境，不会向系统 Python 写入任何内容，并且在 PEP 668 发行版（Ubuntu 24.04+、Debian 12+）上也能直接使用，这些发行版会拒绝裸用 pip install。还没有 uv？

init 会自动检测你的 MCP 客户端（Claude Code、Claude Desktop、Cursor、Windsurf、Continue），写入相应的配置项，安装用于保持索引最新的钩子，且不会向模型上下文添加任何内容（编辑后重新索引、压缩前检查点、向你发送任务完成说明），还可选择为项目建立索引，并审查 Agent 配置文件中的令牌浪费情况。有两项额外功能需要选择启用，因为模型会在每个适用回合中读取它们：--policy 会将代码探索策略写入 CLAUDE.md、AGENTS.md 以及 Cursor 和 Windsurf 规则文件；--guidance 会添加用于指导模型使用 Read/Grep/Glob/Bash、简要指引子 Agent 并在压缩后恢复上下文的钩子。已安装这些功能时，安装程序会保留它们；jcodemunch-mcp init --remove-guidance 可将其移除，并创建备份。

按名称提出请求。 告诉 Agent 使用 jcodemunch（“使用 jcodemunch 查找 X 是在哪里处理的”）。在我们测量的会话中，用户按名称提出请求时，Agent 会使用它。

其他安装方式

命令	适用情况
uvx jcodemunch-mcp	零安装。 在临时环境中运行，不会将任何内容永久写入磁盘。init 写入的客户端配置项已经以这种方式调用服务，因此大多数配置只会运行此命令。⚠ 强制执行钩子是个例外：它们由最小 PATH 的子 shell 启动，并按名称查找可执行文件，因此需要使用 uv tool install（或 pipx/pip）才能运行。
pipx install jcodemunch-mcp	你已将 pipx 作为标准工具
pip install jcodemunch-mcp	在由你自行管理的虚拟环境中

验证：

jcodemunch-mcp --version

手动配置 Claude Code

claude mcp add -s user jcodemunch -- uvx jcodemunch-mcp

无需安装步骤——uvx 会按需获取并运行服务。希望将其放在 PATH 中（强制执行钩子也需要这样做）？运行 uv tool install jcodemunch-mcp，然后运行 claude mcp add -s user jcodemunch jcodemunch-mcp。

接着告诉 Agent 优先使用这些工具。这一点比很多人想象的更重要；安装会让工具可用，但不会改变 Agent 习惯性地大量读取文件的做法。在 CLAUDE.md 中加一行即可：

Call the jcodemunch_guide tool and strictly follow its instructions.

使用 Cursor、Windsurf、Codex CLI、Antigravity、Gemini CLI、Qwen Code、Kiro、Cline、Zed、Goose、Hermes、Odysseus 或 Paperclip？每个经过测试的客户端配置都收录在 CLIENTS.md 中。可选附加功能（本地语义搜索、各提供商的 AI 摘要）见 QUICKSTART.md；每项附加功能会引入的系统层面影响记录在 SECURITY.md 中。

---

快速入门

完整操作指南：QUICKSTART.md。在 init 后，在你的 Agent 中两分钟即可完成：

1. 提问：“使用 jcodemunch 为这个代码仓库建立索引。”
2. 提问：“使用 jcodemunch，查找处理身份验证的函数，并向我展示它的源代码。”

Agent 应通过 search_symbols 和 get_symbol_source 作答，返回几十行代码，而不是整个文件。使用 get_session_stats 确认：它会报告本次会话提供的 token 数量和节省量。这就是计量表上数字的来源。

想跳过热门框架的初始索引？可以使用预构建的入门包：jcodemunch-mcp install-pack --list（免费包无需许可证）。

---

你可以做什么

• 检索单个符号，而不是加载整个文件。 对于 700 行文件中大多数只涉及一个函数的编辑，get_symbol_source 会以字节级精度返回准确的函数体（读取时可节省约 95%）。
• 一次调用即可汇集整个任务的上下文。 assemble_task_context 会对任务意图分类、提取锚点符号，并在一个 token 预算内运行合适的工具序列。plan_turn 会在首次读取前为这一轮操作安排路由。
• 询问 grep 无法回答的结构性问题。 find_importers、get_blast_radius、get_call_hierarchy、find_dead_code、get_changed_symbols、get_hotspots、search_ast 反模式扫描，以及更多工具。其中两个听起来相似，但功能不同：check_references 会回答某个名称在哪里被使用（导入位置，以及内容中提及该名称的所有文件）；find_references 只会在导入图中回答有哪些文件导入了它，因此看不到调用位置。get_call_hierarchy 会指出哪些调用者是直接调用者：较深层级的行会标明从哪个调用者到达该位置。
• 预先检查高风险更改，并知道何时该停止。 check_edit_safe、check_delete_safe、get_pr_risk_profile 和 plan_refactoring 会提供可直接用于编辑的 {old_text, new_text} 代码块。两个安全检查会返回 stop_rule.terminal：true 表示再调用 jcodemunch 也不会改变结论，因此为了确认而重新运行 find_importers 或 check_references 是徒劳的。它的意思是结论已定，而不是安全。corpus_inadequate（索引无法支持关于不存在的断言）和 dynamic_import_boundary（动态导入，或对于 .NET 控件或构建项，索引未收录的路径，可能会加载该文件）永远不会是终结状态，每个工具的说明都会列出它返回的所有判定。check_rename_safe 在导入图无法到达该符号所在文件时会返回 safe: null 而不是 true，因为使用该符号的文件尚未经过检查；get_pr_risk_profile 在无法测量影响范围轴时会返回带有 unmeasurable_axes 的 risk_score: null；CI 门禁应对 null 判定为失败。将类型检查器自身的输出提供给服务（jcodemunch-mcp import-trace --diagnostics <file>：mypy --output json、pyright --outputjson、tsc --pretty false、ruff --output-format json），check_edit_safe、get_changed_symbols、get_pr_risk_profile 和 get_symbol_provenance 就会指出类型检查器已标记哪些符号，以及对应的是哪个提交。它们不会替你运行检查器。False 会指出具体哪一项会改变答案。
• 信任答案。 提供经过校准的置信度分数、时效性标记、针对缺失项断言的覆盖范围约定、通过 SCIP 导入实现的编译器验证引用，以及在任何内容发送给大模型之前自动进行的机密信息脱敏。
• 自动保持索引最新。 监视模式、Agent 钩子和 VS Code 扩展可缩小索引过时造成的差距。

以上只是亮点。90 多种工具、MUNCH 紧凑线格式、证据凭据、可卸载工作注释，以及会话成本效益监测的完整介绍，请参阅 CAPABILITIES.md；内部实现详见 UNDER_THE_HOOD.md。

最新动态

• v1.108.399（2026-10-26）— 四个核心工具的描述以各自要回答的问题开头
• v1.108.398（2026-10-25）— 语义功能及所有额外功能在每个 Python 版本上都安装固定版本的 filelock
• v1.108.397（2026-10-24）— 搜索结果被截断时会列出未显示的文件，且 file_pattern 支持花括号
• v1.108.396（2026-10-23）— 首次搜索大型代码仓库时，每个导入项只解析一次

---

什么时候有帮助（什么时候没有）？

场景	原生工具	jCodeMunch	节省
编辑一个函数（700 行文件）	Read → 700 行	get_symbol_source → 30 行	~95%
了解文件结构	Read → 完整内容	get_file_outline → 名称 + 签名	~80%
查找要编辑的文件	Grep 搜索多个文件	search_symbols → 精确匹配	相近
编辑需要完整文件上下文	Read → 完整内容	get_file_content → 完整内容	~0%
“更改 X 会造成什么影响？”	不可能	get_blast_radius	独特能力

它最适用于有针对性的编辑（一个函数、一个方法或一个类），这类任务占实际编辑工作的大多数。确实需要整个文件的编辑（重构文件级状态、调整跨数百行的逻辑顺序）则没有优势。最适合的场景：大型代码仓库、不熟悉的代码库、由 Agent 驱动的探索、重构和影响分析，以及希望降低 AI 令牌成本但不让 Agent 变笨的团队。

**语言：**通过 tree-sitter 支持 70 多种语言，包括 Python、JavaScript/TypeScript、Go、Rust、Java、C/C++、C#、PHP、Ruby、Swift 和 Kotlin。完整列表：LANGUAGE_SUPPORT.md。**Monorepo：**支持；增量索引、工作区成员检测、子路径范围限定。

---

延后加载工具架构（Anthropic 工具搜索）

如果你通过 MCP 连接器在支持工具搜索的模型上使用 jCodeMunch，就可以完全不将我们的架构放入上下文前缀，而是让 Claude 仅加载某个请求所需的两三个工具。你无需为每个工具设置 defer_loading——只需为整个服务设置一次：

{
  "mcp_servers": [
    { "type": "url", "url": "https://your-host/mcp", "name": "jcodemunch" }
  ],
  "tools": [
    { "type": "tool_search_tool_bm25_20251119", "name": "tool_search_tool_bm25" },
    {
      "type": "mcp_toolset",
      "mcp_server_name": "jcodemunch",
      "default_config": { "defer_loading": true },
      "configs": {
        "resolve_repo":       { "defer_loading": false },
        "search_symbols":     { "defer_loading": false },
        "get_ranked_context": { "defer_loading": false }
      }
    }
  ]
}

发送时附上测试版标头 mcp-client-2025-11-20。两部分都必不可少——单独使用 mcp_servers 会导致验证错误；mcp_toolset 未搭配相应的 mcp_server_name 也会导致验证错误。

⚠ MCP 连接器接收的是 URL，因此这适用于通过 sse 或 streamable-http 提供服务的 jCodeMunch（jcodemunch-mcp serve --transport streamable-http），不适用于默认的本地 stdio 配置。在 stdio 上，是否延后加载架构由你的客户端决定；你可以通过下面的 tool_surface: "counter" 来控制。

上面的 configs 块遵循 Anthropic 自己的建议——让使用频率最高的 3–5 个工具常驻，以便常见请求跳过搜索往返；每个工具的 configs 会覆盖 default_config。

延后加载的工具通过搜索其名称和描述来查找，因此核心工具的描述会以每个工具所回答的问题开头，并采用 Agent 常用的措辞：search_symbols“查找函数、类或方法的定义位置”，get_symbol_source“读取或显示源代码”，get_call_hierarchy“谁调用了这个函数或方法”，check_references“函数、类或其他标识符在哪里被使用”。

延后加载的定义会从系统提示词前缀中排除，并在 Claude 发现它们时以内联的 tool_reference 块追加，因此能够保留提示词缓存——这不是会使缓存失效的动态工具列表。请求中至少要有一个工具保持非延后加载状态，否则 API 会返回 400。

⚠ 这与我们自己的 tool_surface: "counter" 是不同的机制，你不需要同时使用两者。工具搜索由宿主端实现，可用于你连接的所有 MCP 服务；Counter 由服务端实现，可用于任何宿主，包括不支持工具搜索的宿主，也是 init 在首次安装时配置的机制。选择宿主支持的方式——Counter 参见 CONFIGURATION.md，查看你的安装实际公布了哪些工具，请运行 jcodemunch-mcp surface。

---

安全、隐私和后台行为

以本地优先为设计理念：索引存放在 ~/.code-index/ 中，基础软件包唯一默认的联网行为是匿名用量节省统计（随机 ID 加汇总的 token 数量，不含代码、路径或个人身份信息；设置 share_savings: false 即可选择退出）。除响应工具调用外，服务执行的所有操作（文件监视、可选登录服务、许可证验证、模型下载、组织报告）均为可选加入或可选择退出、可见且可撤销，并且每一项都列在 SECURITY.md 中，此外还列出了路径遍历、符号链接和机密信息脱敏控制措施。默认的 init 不会写入策略文件，也不会安装任何模型会读取其输出的钩子；这些操作分别由 init --policy 和 init --guidance 完成，而 init --remove-guidance 可将它们从旧安装中移除。

语法包覆盖（#608）。 依赖项 tree-sitter-language-pack 固定为 <1.0.0，因为 0.x 版本的 wheel 内置了所有语法，解析过程始终在本地进行。F# 是唯一的例外：它由固定版本的 tree-sitter-fsharp wheel 解析，该 wheel 也内置了其语法，因此无论使用哪种语法包，F# 解析都在本地进行（#848）。安装后，你可以通过 pip install -U tree-sitter-language-pack 覆盖它；代码中没有任何内容会阻止这一操作。根据 2026-09-11 对照 1.17.0 的测量结果，你需要接受以下情况：1.x 语法包不附带任何语法，并会在首次解析某种语言时通过网络将其下载到缓存目录（在 Windows 上测得为 %LOCALAPPDATA%\tree-sitter-language-pack\v<version>\libs；jcodemunch-mcp install-status 会在任何平台上打印此路径），因此，断网安装无法解析任何内容；此外，上游修改了 nim 语法，因此 nim 文件不会产生任何符号（清单中也缺少 autohotkey、ejs 和 verse，但这在此处没有影响：这三种语言由 jCodeMunch 自带的提取器解析，而非 tree-sitter）。使用 1.x 语法包安装时会明确提示：每个 index_folder 结果都包含一个 grammar_pack 区块和一条警告，其中列出版本、缓存目录以及每种语法加载失败的语言；jcodemunch-mcp install-status 也会打印相同信息。取消版本固定是另一项决策，须先解决离线使用问题。

---

按项目配置

大多数设置位于全局配置文件 ~/.code-index/config.jsonc 中，但也可以在单个代码仓库的根目录下放置 .jcodemunch.jsonc，以覆盖其中任意设置。这是一个叠加配置：文件中声明的键优先，未声明的键依次采用全局设置和内置默认值，因此只需包含与默认值不同的设置。

// <your-repo>/.jcodemunch.jsonc
{
  "max_file_size": 1048576,
  "languages": ["python", "typescript", "racket"]
}

声明 Racket 定义形式

Racket 项目经常使用 define-syntax 定义自己的定义形式，而静态解析器无法知道这些形式会绑定什么——(defstep (check-admin) ...) 与函数调用无法区分。声明这些形式后，其绑定名称便可搜索：

{
  "racket_definition_forms": {
    "defstep":  "function",
    "defstudy": "constant",
    "defvar":   "constant",
    "define-schema": "class"
  }
}

每个条目都将一种形式名称映射到它所绑定的类型：function、constant、class 或 type。名称所在的位置会从源代码中读取，而非通过声明指定——(defstep (check-admin) ...) 会读取参数列表的首项，(defstudy consent ...) 会读取裸符号——因此，一种形式无论以哪种结构出现，都能正常工作。

⚠ 这是一项断言，jCodeMunch 无法验证其正确性。错误的声明会将一个实际上并未由 Racket 绑定的名称写入索引。此外，声明只会在所有内置形式之后进行匹配，因此声明 define 或 struct 不会产生效果——内置处理逻辑优先。

声明 Racket #lang 的语法

#lang 行用于指定 reader，而 jCodeMunch 的 Racket 解析器会读取 S 表达式。发行版内置了各种语言（racket/*、typed/racket*、s-exp、info、at-exp …，以及文档语言 scribble/*、pollen、punct、markdown …），但它无法识别项目自有的语言，会将其视作文档——没有符号，但仍可进行文本搜索——除非你声明它的语法：

{
  "racket_langs": {
    "conscript": "at-exp",
    "mylang": "sexp"
  }
}

sexp 表示普通的 S 表达式；at-exp 表示以 Racket 为基础的 at-exp 文本正文（读取时使用 @ 作为命令字符，与 #lang at-exp 的读取方式完全一致，因此包含 ;、"、# 或 | 的散文仍会被视为散文）；text 表示永远不会被遍历的文档语言。键也会涵盖其子语言（conscript 会匹配 conscript/with-require），项目也可以将某种语言降级，而不只是升级。对于使用其他命令字符的 at-exp 语言，可使用对象形式声明 reader，例如 "mylang": {"tier": "at-exp", "command_char": "◊"}，其方式与 Racket 的 make-at-readtable 使用 #:command-char 相同。

这两个键都会改变解析器对未更改文件的输出，因此任一键发生变化都会在索引中留下标记，并在下次索引时触发一次完整的重新解析（rebuild_reason: "racket_config_changed"）；你无需修改文件或清除索引。在此标记机制出现之前构建、且包含 Racket 文件的索引，也会以相同方式重新解析一次（rebuild_reason: "racket_index_predates_gate"）。

---

文档

文档	内容
QUICKSTART.md	三步完成从零到建立索引
CLIENTS.md	每种 MCP 客户端的经过测试的配置
USER_GUIDE.md	完整的工具参考、工作流和最佳实践
CAPABILITIES.md	超越精选概览的完整功能参考
CONFIGURATION.md	配置文件参考、令牌控制选项、工具分级、Counter
UNDER_THE_HOOD.md	技术手册：判定、排序内部机制、来源信息约定
ARCHITECTURE.md	内部设计、存储模型和扩展点
GROQ.md	Groq Remote MCP、gcm CLI、speedreview GitHub Action
HEADLESS.md	使用 claude -p 配合 jCodeMunch
AGENT_HOOKS.md	Agent hooks 和提示词策略
LANGUAGE_SUPPORT.md	支持的语言和解析详情
SECURITY.md	安全控制、数据流转和后台行为
TROUBLESHOOTING.md	常见问题及解决方法
CHANGELOG.md · ROADMAP.md	发布历史和后续计划

---

许可与商业使用

jCodeMunch-MCP 依据 jCodeMunch-MCP 双重用途许可证发布（完整条款）。非商业用途免费。商业用途需购买付费许可证，一次性付费，由 jMunch LLC 通过 Stripe 销售：

仅限 jCodeMunch： Builder，$79（1 名开发者） · Studio，$349（最多 5 名） · Platform，$1,999（组织范围内的内部部署）

完整 jMunch 套件（代码 + 文档 + 数据）： Trio Builder，$99 · Trio Studio，$449 · Trio Platform，$2,499

不确定是否值得？通过 投资回报率计算器自行核算，或将财务团队版本转发给负责审批的人。保证不变：如果 jCodeMunch 无法收回成本，你就不用为 jCodeMunch 付费。

所有用途均须遵守以下条件：保留版权声明，明确标注修改内容并保留原作者姓名（他有点自恋），并在源代码再分发时醒目地注明修改情况。本软件不得更名、重新品牌化或发布到任何公共软件包注册表，并按“原样”提供，不附带任何保证。以 LICENSE 为准。

---

常见问题

使用 Claude / Opus 能节省多少 token？ 在检索密集型工作流中，代码阅读所需的 token 通常可减少 86-99%；在 15 项任务和 3 个代码库中，与基于 grep 和阅读的 Agent 相比，基准测试的平均降幅为 96.2%（26.5 倍）。单次查询的结果范围为 7.6 倍至 77.2 倍。方法说明：TOKEN_SAVINGS.md 和 benchmarks/。

这与 RAG 或基于 grep 的工具有何不同？ jCodeMunch 以符号级别和字节级精度进行检索（函数、类、导入者、影响范围、层级结构），而非模糊片段（RAG）或原始行匹配（grep）；后两者仍需要 Agent 阅读并推理。

个人使用免费吗？ 是的。商业使用需要许可证；请参阅上文。

X 上的深入介绍在哪里？ 功能：CAPABILITIES.md。配置：CONFIGURATION.md。客户端：CLIENTS.md。内部机制：UNDER_THE_HOOD.md。也可以查看所有内容：jcodemunch.com。

---

其他内容：开源代码健康度观测站（每周对 Express、FastAPI、Gin、Django 等进行六维快照） · Token 成本雷达（每日 AI token 成本情报） · jMunch Console（免费的 MIT 许可 GUI，支持一键升级）