Fragen Sie Ihren Coding-Agenten, wo eine Funktion aufgerufen wird, und beobachten Sie, was passiert. Er grept, liest drei Dateien, grept mit einem anderen Muster erneut, liest vier weitere und antwortet schließlich korrekt – mit einem Kontext voller Quellcode, den er vergessen wird, sobald die Session endet. Stellen Sie eine Rückfrage, und das Ganze wiederholt sich.
codebase-memory-mcp beendet diese Schleife. Mit 41.536 Stars, MIT-Lizenz und in C geschrieben ist es der Eintrag in der diesjährigen Welle der Agent-Tools, der bei der geringsten Änderung Ihrer Arbeitsweise den größten Nutzen bringt. Es verleiht einem Agenten ein Gedächtnis für Ihren Code. Es verleiht Ihrem Team aber kein Gedächtnis für die Arbeit – und das sind zwei verschiedene Probleme.
TL;DR
Dies ist einer von fünf Deep Dives aus unserer Übersicht über Open-Source-Tools, die Coding-Agenten erweitern.
codebase-memory-mcp indiziert ein Repository in einen persistenten Knowledge Graph aus Funktionen, Klassen, Aufrufketten und Routen und beantwortet strukturelle Fragen anschließend aus dem Graphen statt per grep. Das Projekt misst fünf strukturelle Abfragen mit rund 3.400 Tokens über den Graphen gegenüber rund 412.000 Tokens bei dateiweiser Suche. Es ist eine einzelne native Binary, benötigt keine Runtime und keinen API Key, läuft vollständig lokal und funktioniert mit jedem MCP-Client. Installieren Sie es zuerst. Entscheiden Sie dann separat, wo die Aufzeichnung dessen liegen soll, was Ihre Agenten getan haben.
Was es macht
Das Parsing läuft über tree-sitter für mehr als 160 Sprachen, ergänzt um semantische Typauflösung für eine Kerngruppe mit Python, der TypeScript- und JavaScript-Familie, Go, Java, Rust, C# und C++. Das Ergebnis steht als 15 MCP-Tools bereit, die Suche, Verfolgung von Aufrufketten, Architekturüberblick, Impact-Analyse, Erkennung von totem Code, Graph-Abfragen und serviceübergreifende HTTP-Verknüpfung abdecken. Jeder Client, der das Model Context Protocol spricht, kann es nutzen, und das Projekt listet 45 unterstützte Agent-Oberflächen.
| Messgröße | Angegeben |
|---|---|
| Fünf strukturelle Abfragen | ~3.400 Tokens vs. ~412.000 bei dateiweiser Suche |
| Peer-reviewter Vergleich | 10x weniger Tokens, 2,1x weniger Tool-Aufrufe, 83 % Antwortqualität |
| Linux-Kernel-Index | 28 Mio. Zeilen, 75 K Dateien, 3 Minuten |
| Latenz struktureller Abfragen | Unter 1 ms |
Betrachten Sie diese beiden Token-Zahlen zusammen. Die Reduktion um 99 % bezieht sich auf fünf strukturelle Abfragen, also auf den Bestfall des Graphen. Die Preprint-Zahl über 31 Repositories liegt bei 10x. Planen Sie mit 10x und betrachten Sie alles darüber als Bonus.
Die Installation
curl -fsSL https://raw.githubusercontent.com/DeusData/codebase-memory-mcp/main/install.sh | bash
Für Windows gibt es einen PowerShell-Installer, und das Projekt empfiehlt, ihn vor der Ausführung zu lesen. Der Installer erkennt Ihre Coding-Agenten und schreibt deren MCP-Einträge. Starten Sie den Agenten neu und fordern Sie ihn auf, das Projekt zu indizieren.
Zwei Einstellungen, die sich gleich am ersten Tag lohnen:
codebase-memory-mcp config set auto_index true
codebase-memory-mcp --ui=true --port=9749
Der Graph-Viewer ist in die Binary integriert und eine nützliche Kontrolle, ob der Index das abgedeckt hat, was Sie erwartet haben.
Zwei Einschränkungen, die das Projekt selbst dokumentiert und die beide dreißig Sekunden wert sind. Microsoft Defender kann eine Release-Binary als False Positive melden; das Projekt weist darauf hin, dass typischerweise 61 von etwa 62 Engines sauber melden und dass dieselbe Erkennungsfamilie auch die GitHub CLI und Microsofts eigene Go-Toolchain trifft. Und das Tool liest Ihre Codebasis und schreibt in die Konfigurationsdateien Ihrer Agenten – was genau seine Aufgabe ist, offen gesagt. Lesen Sie das Installationsskript, bevor Sie es an eine Shell weiterleiten.
Warum dieses Tool zuerst
Alles andere in der aktuellen Tool-Welle verlangt, dass Sie Ihre Arbeitsweise ändern. Rollen-Bibliotheken ändern, wie Sie prompen. Parallele Worktrees ändern, wie Sie organisieren. Web-Zugriff ändert, wonach Sie fragen.
Dieses Tool ändert nichts und macht jede Session günstiger. Es gibt keine neue Gewohnheit zu lernen.
Der Qualitätseffekt ist die unterschätzte Hälfte. Ein Agent, der 400.000 Tokens mit dem Lesen von Dateien verbringt, hat entsprechend weniger Raum, um über Ihr Problem nachzudenken, und seine Erinnerung an das früh Gelesene verschlechtert sich über eine lange Session. Antworten aus einem Graphen halten den Kontext frei.
Die Verschiebung zeigt sich daran, was Sie fragen. Fragen, die Sie früher vermieden haben, weil sie 50.000 Tokens und zwei Minuten kosteten, sind jetzt nahezu kostenlos. Eine Impact-Analyse vor einer Signaturänderung verwandelt „Ich glaube, das ist sicher“ in eine Liste. Das Verfolgen von Aufrufketten in einem unbekannten Repository ist besser, als sich durch fünf Dateien nach oben zu lesen und zu hoffen, den Einstiegspunkt zu finden.
Erinnerung an den Code ist nicht Erinnerung an die Arbeit
Hier verläuft die Grenze, und sie ist scharf.
Der Graph wird aus Ihrem Code gebaut, kennt also, was Ihr Code ist. Er kann Ihnen sagen, dass der Retry-Helper den Payments-Client aufruft. Er kann Ihnen nicht sagen, warum sich das Backoff im Juli geändert hat, wer das entschieden hat, was die Alternative war oder ob es jemand reviewt hat. Diese Geschichte existierte in einer Terminal-Session, die es nicht mehr gibt.
Teams erleben das als seltsame Asymmetrie: Der Agent erinnert sich besser an die Codebasis als jeder Mensch im Team – und überhaupt nicht an die Entscheidungen, die sie hervorgebracht haben.
Der Index ist außerdem maschinengebunden. Er liegt in einem Cache-Verzeichnis unter einem Benutzerkonto, wird über einen Coordination-Daemon zwischen Ihren lokalen Sessions geteilt und endet an der Grenze dieser Maschine.
Wo die Aufzeichnung der Arbeit liegt
Ein Task ist die zentrale Arbeitseinheit in Sharkly. Er bündelt Anfrage, Kontext, Ausführung, Blocker und Ergebnis an einem gemeinsamen Ort, statt sie auf private Prompts und Terminal-Sessions zu verteilen.
Jeder Baustein hat eine Aufgabe. Der Agent definiert, wie mit Arbeit umgegangen werden soll. Der Computer stellt den Host und die lokalen Ressourcen bereit. Die Runtime führt die eigentliche Agent-Session aus und nutzt dabei das dort bereits installierte Coding-Tool. Der Task bleibt die gemeinsame Aufzeichnung.
Diese Trennung macht die Kombination konkret. Der Index ist eine lokale Ressource auf einem Computer; der Computer mit dem indizierten Repository ist also der, auf dem ein warmer Graph vorliegt statt eines kalten Starts von drei Minuten. Ein Agent ist eine gespeicherte Konfiguration; die Einrichtung, in der Ihr Agent den Index und die richtigen Berechtigungen hat, wird also wiederverwendet statt pro Maschine neu gebaut. Und Ausführung, Blocker, Ergebnisse und Nachfragen landen wieder in der Task-Timeline – dort, wo die Begründung hinter einer Änderung überlebt.
Sharkly ersetzt weder Claude Code noch Codex noch codebase-memory-mcp. Es ergänzt sie um eine gemeinsame Ebene für Task, Computer, Kontext, Steuerung und Review. Die Modellnutzung läuft weiterhin über die in diesen Tools konfigurierten Abos oder API Keys.
Code-Gedächtnis plus Arbeitsgedächtnis ist die Kombination. Das eine gibt einem Agenten Erinnerung an das Repository. Das andere gibt einem Team Erinnerung daran, was die Agenten darin getan haben.
Wann Sie was brauchen
Installieren Sie codebase-memory-mcp jetzt, unabhängig von der Teamgröße. Es ist lokal, erfordert keine Änderung des Workflows, und die Kostenersparnis gilt für einen Entwickler genauso wie für zwanzig.
Ein gemeinsames Arbeitssystem kommt dann dazu, wenn die Begründung die Session überleben muss: wenn vor einem Release reviewt wird, wenn mehr als eine Person dasselbe Repository anfasst oder wenn in drei Monaten jemand fragen wird, warum eine Änderung gemacht wurde. Ein Graph beantwortet, was der Code tut. Warum – nie.
Agenten recherchieren, führen aus, testen und berichten. Menschen geben die Richtung vor, erteilen Befugnisse und nehmen das Ergebnis ab.
Häufig gestellte Fragen
Funktioniert es mit anderen Agenten als Claude Code? Ja. Es ist ein MCP-Server, also funktioniert jeder MCP-Client, und das Projekt listet 45 unterstützte Agent-Oberflächen, darunter Cursor, Codex, Windsurf, OpenCode und Aider.
Verlässt mein Code meinen Rechner? Nein. Die Verarbeitung erfolgt vollständig lokal, und das Projekt gibt an, dass es keine eigenen Netzwerkanfragen stellt und im Hintergrund nicht nach Updates sucht. Der Quellcode ist verfügbar, wenn Sie überprüfen statt vertrauen wollen.
Ist die Reduktion der Tokens um 99 % realistisch? Diese Zahl bezieht sich auf fünf strukturelle Abfragen, also den Bestfall. Die peer-reviewte Zahl über 31 Repositories liegt bei 10x weniger Tokens und 2,1x weniger Tool-Aufrufen. Planen Sie mit 10x.
Wie große Repositories kann es verarbeiten? Der genannte Extremfall ist der Linux-Kernel mit 28 Millionen Zeilen in drei Minuten. Normale Anwendungs-Repositories werden in Millisekunden indiziert.
Hilft es, wenn mehrere Agenten gleichzeitig laufen? Ja, und stärker als sonst. Fünf Agenten, die dasselbe Repository greppen, sind die fünffache Verschwendung. Jeder Task-Lauf bekommt weiterhin seinen eigenen isolierten Worktree, während der strukturelle Index auf dem Computer geteilt wird.
Die Kurzfassung
Das ist das unscheinbarste Tool der Welle von 2026 und das mit der besten Rendite. Eine einzige native Binary, keine Änderung am Workflow und eine gemessene Reduktion um eine Größenordnung bei den Tokens, die ein Agent für Fragen aufwendet, für die er nicht greppen müsste. Installieren Sie es, indizieren Sie Ihr Projekt und öffnen Sie einmal den Graph-Viewer, um zu sehen, was er aufgebaut hat.
Dann seien Sie sich über die Grenze im Klaren. Es erinnert sich an das Repository, nicht an die Arbeit, und die Entscheidungen hinter einer Änderung sterben mit der Session – es sei denn, etwas hält sie fest. Sharkly hält sie fest: Der Task ist die gemeinsame Aufzeichnung, die Ausführung läuft auf Computern, die Sie über die Runtimes verbinden, für die Sie ohnehin schon zahlen, und die Ergebnisse landen an einem Ort, an dem ein Mensch sie prüfen und abnehmen kann.
