codegraph: 5가지 코딩 에이전트를 위한 놓쳐진 지식 그래프 (Knowledge Graph)

📖 출처가 포함된 전체 버전은 AgentConn에서 읽어보세요 → colbymchenry/codegraph는 24시간 만에 2,434개의 스타를 획득하며 5월 23일 GitHub Trending #2로 급상승했습니다. 이는 Claude Code, Codex CLI, Cursor, OpenCode, 그리고 Hermes Agent를 위해 특별히 구축된 로컬 우선(local-first) 멀티 에이전트 코드 지식 그래프 (Knowledge Graph)입니다. 7개의 실제 코드베이스(codebases)에 대한 벤치마크 결과, 중앙값 기준으로 토큰(tokens)은 59% 감소, 응답 속도는 49% 향상, 도구 호출(tool calls)은 70% 감소했습니다. 이 순위가 중요한 이유는 함께 이름을 올린 프로젝트들 때문입니다. 같은 트렌딩 날, multica-ai/andrej-karpathy-skills가 3,372개의 스타를 얻으며 1위를 차지했고, 동일한 지식 그래프 (knowledge-graph) 논제를 가진 Lum1104/Understand-Anything이 2,331개의 스타로 3위를 차지했으며, NousResearch/hermes-agent가 1,334개의 스타를 얻었습니다. 그날 트렌딩 상위 10개 리포지토리(repos) 중 5개가 코딩 에이전트 인프라였습니다.

codegraph가 실제로 구축하는 것
대부분의 코딩 에이전트는 매 작업마다 코드 구조를 재발견하는 데 토큰의 60~70%를 낭비합니다. codegraph는 이를 단 한 번의 로컬 인덱싱 (indexing) 과정으로 대체합니다:

파이프라인:
Tree-sitter가 소스 코드를 파싱 (parse) → 언어별 쿼리 (queries)를 통해 노드 (nodes: 함수, 클래스, 파일)와 엣지 (edges: 호출, 임포트, 상속)를 추출 → SQLite ( .codegraph/codegraph.db )가 FTS5 전체 텍스트 검색 (full-text search)과 함께 이를 저장 → 추출 후 참조 해결 (reference resolution)을 통해 호출을 정의 (definitions)에 연결 → 네이티브 OS 파일 와처 (file watchers)가 2초 디바운싱 (debouncing)을 통해 최신 상태를 유지합니다.

에이전트는 구조를 이해하기 위해 파일을 읽지 않습니다. 대신 그래프 (graph)에 쿼리합니다. 그래프는 이미 parseConfig가 3개의 호출자 (callers)에 의해 호출된다는 것, ./yaml-utils.ts 에서 임포트한다는 것, 그리고 그 정의가 src/config/parser.ts:147 에 존재한다는 것을 알고 있습니다. 에이전트는 오직 편집 중인 파일만 읽습니다.

MCP Surface — 멀티 에이전트가 작동하는 이유
codegraph는 9개의 도구 ( codegraph_search, codegraph_context, codegraph_callers / callees, codegraph_impact, codegraph_explore, codegraph_node, codegraph_files, codegraph_status )를 갖춘 MCP 서버로 노출됩니다. 인터페이스가 MCP이기 때문에, 동일한 .codegraph/codegraph.db는 해당 프로토콜을 사용하는 모든 에이전트에서 작동합니다.

오늘날 그 대상은 Claude Code, Codex CLI, Cursor, OpenCode, 그리고 Hermes Agent입니다. 이들 중 그 어떤 것도 자체 인덱서 (indexer)를 출시할 필요가 없습니다. 그 어떤 것도 의미론적 탐색 (semantic exploration)을 재발명할 필요가 없습니다. 에이전트를 교체하더라도, 그래프는 그대로 유지됩니다.

Swift 컴파일러 벤치마크
가장 많이 인용되는 수치: 25,874개의 파일, 272,898개의 노드(nodes)가 4분 미만 내에 인덱싱되었습니다. 해당 인덱스를 대상으로 한 복잡한 질문에 대해, 한 에이전트는 6번의 탐색 (explore) 호출과 파일 읽기 0회로 35초 만에 답변했습니다. 일반적인 Claude Code를 통해 동일한 질문을 수행할 경우, 통상적으로 90180초가 소요되며 2540번의 도구 (tool) 호출과 200K~400K 토큰의 컨텍스트 (context)가 필요했습니다. codegraph는 이를 잘림(truncation) 없이 컨텍스트 내에 들어가는 30초 내외의 대화로 압축합니다.

병렬 구현이 말해주는 진실
만약 codegraph가 일회성 사례였다면, 트렌딩 페이지에는 하나의 지식 그래프 (knowledge-graph) 도구만 있었을 것입니다. 하지만 현재 최소 세 개(codegraph, Understand-Anything, code-review-graph)가 있습니다. 동일한 프리미티브 (primitive)에 대한 세 가지 독립적인 구현이 동일한 트렌딩 기간 내에 출시되었습니다. 이것이 바로 신호입니다. 에이전트 생태계는 코딩 에이전트의 병목 현상이 모델 성능이 아니라 컨텍스트 효율성 (context efficiency)으로 옮겨갔으며, 사전 인덱싱 (pre-indexing)이 명확한 해답이라는 것을 집단적으로 발견했습니다. 이는 검색 엔진이 1998년에 배웠던 것과 동일한 교훈입니다.

멀티 에이전트 스택에서 codegraph의 위치
프로덕션 에이전트 설정의 경우, 다음과 같은 상황에서 codegraph는 여러분의 스택에 포함되어야 합니다: 코드베이스 규모가 5,000개 이상의 파일인 경우, 멀티 에이전트 워크플로 (multi-agent workflows)를 실행하는 경우, 그리고 개인정보 보호 정책상 100% 로컬 처리가 필요한 경우입니다.

구매/구축/대기 판단
오늘 바로 도입해야 할까요? 만약 코드베이스가 5,000개 이상의 파일로 구성되어 있고, 개발자당 Claude Code/Codex 비용으로 월 200달러 이상을 지불하고 있다면, 그렇습니다. npx @colbymchenry/codegraph를 통해 설치하고 codegraph init -i .를 실행하세요.

이 카테고리에 베팅해야 할까요? 네, 하지만 느슨하게 말이죠. Anthropic, OpenAI, 그리고 Cursor는 각각 6개월 이내에 자체적인 네이티브 인덱서를 출시할 것입니다. MCP 기반의 도구들(codegraph 등)은 그러한 압박 속에서도 살아남을 수 있는 경로를 가지고 있습니다.

더 깊은 관점에서의 베팅 — 즉, 사전 인덱싱된 코드 지식 그래프 (code knowledge graph)와 같은 것이 2026년 진지한 코딩 에이전트 (coding agents)들에게 필수 요건 (table stakes)이 될 것이라는 예측 — 은 안전한 선택입니다. 같은 주에 GitHub Trending에 올라온 세 개의 독립적인 구현체들은 시장이 그 목소리를 크게 내고 있음을 보여줍니다. 원래 AgentConn에 게시되었습니다.