简介

问题

AI 写代码的时代，一个人 + AI 就能独立完成一个服务。效率很高，但每一个设计决策——为什么选方案 A 不选 B、接受了什么 trade-off、否决了什么——都不在 repo 里。

存 context 的地方不缺：CLAUDE.md、SDD 系统、Notion、commit message、PR description、AI 聊天记录。问题不在存储，而在存储之后：

• 检索不行。 你在改一个函数，你需要的是跟 这个函数此刻 相关的决策。在一堆扁平文档里做关键词搜索不够用——你得先知道这个决策存在、大概在哪里，才能找到它。
• 知识是孤立的。 auth 中间件的一个决策和支付流程的一个决策可能深度相关（一个导致了另一个），但在扁平文档里它们只是两段不相干的文字，知识之间没有有机关联。
• 对人不友好。 原始 AI 对话记录太长，总结文档又丢失了细节。两种格式都无法帮助队友真正理解代码库为什么长成这样。

Context Chain 做什么

一个本地知识图谱，从代码库和 AI 编程对话中提取设计决策，存入 Memgraph，通过 MCP 协议喂给你的 coding AI。

现有的 context engineering 工具（OpenSpec、Git-AI、Dexicon）在 spec 或 repo 级别捕获知识。Context Chain 更深一层：

• 锚定到函数 — 每条决策绑在具体函数上（通过 Joern CPG），不是笼统地挂在 repo 层面
• 代码变了，决策跟着标记 — 改了代码，受影响的决策自动标为过期，不会悄悄烂掉
• 提取的是决策本身 — 不是 prompt 摘要，不是原始聊天记录，而是 选了什么、否了什么、为什么这样选
• 决策之间有关系 — CAUSED_BY、DEPENDS_ON、CONFLICTS_WITH，图上的边把相关决策串起来
• 跑在你的订阅上 — 用 claude -p（Claude CLI），不花 API 钱。重活晚上跑，白天写代码时 coding AI 直接从图谱拿现成的 context，写代码速度更快

代码库 → Joern CPG → LLM 逐函数提取决策
    → Memgraph（图数据库）→ MCP Server（9 个工具）
        → Claude Code 写代码时自动获取上下文

技术栈

组件	技术
图数据库	Memgraph
代码分析	Joern（CPG）
决策提取	Claude CLI / Anthropic API
MCP Server	TypeScript + @modelcontextprotocol/sdk
Dashboard	Hono + 原生 HTML/JS
容器	Docker Compose

当前状态

核心管线（analyze_function + 全量扫描 + MCP Server + Dashboard + session 摄入 + Joern CPG + 跨 repo 关联）已在多 repo TypeScript 项目上实战验证。语义向量搜索和精炼管线已完成开发。

路线图

方向	计划
消费层	沉浸式 KT 系统和团队知识地图——帮 人 理解代码库，不只是帮 AI
Agent 支持	目前支持 Claude Code；将接入 Cursor、Windsurf、Cline、Copilot 等 MCP 兼容 agent
多源摄入	Slack、Notion、会议记录——不只是代码和 AI 对话
Spec 驱动工作流	OpenSpec 风格：提案 → spec → 设计 → 实现，决策在实现后自动锚定