zilliztech/claude-context：MCP 语义代码搜索插件，让 Claude 理解整个代码库

概述

zilliztech/claude-context 是一个 MCP（Model Context Protocol）插件，为 Claude Code 及其他 AI 编码助手提供代码库级语义搜索。它先把整个代码库索引进 Zilliz Cloud 向量数据库，之后按查询相关度只把命中的代码片段送入模型上下文，而不是每次把整个目录喂给 Claude。

GitHub: zilliztech/claude-context
许可证: MIT
运行时: Node.js ≥ 20

解决什么问题

直接读整个代码库代价很高：目录越大，上下文占得越多，费用越高。claude-context 的思路是离线建索引，在线按需召回——把代码存成向量，回答问题时只检索并注入相关片段。官方给出的对照评估约为同等的检索质量下节省 40% token。

核心特点

快速开始

1. 前置条件

• 在 Zilliz Cloud 注册，创建一个免费向量数据库，拿到公网地址 MILVUS_ADDRESS 和 API Key MILVUS_TOKEN。
• 一个可用的 OpenAI API Key（用于 embedding 模型，形如 sk-...）。

2. 为 Claude Code 添加 MCP 服务器

claude mcp add claude-context \
  -e OPENAI_API_KEY=sk-your-openai-api-key \
  -e MILVUS_ADDRESS=your-zilliz-cloud-public-endpoint \
  -e MILVUS_TOKEN=your-zilliz-cloud-api-key \
  -- npx @zilliz/claude-context-mcp@latest

3. 使用

在项目目录启动 Claude Code，依次执行：

Index this codebase            # 索引当前代码库
Check the indexing status      # 查看索引进度
Find functions that handle user authentication   # 用自然语言搜索

三条即可跑通：索引、查状态、语义检索。

提供的 MCP 工具

工作原理

代码库 → 分段 → 稀疏(BM25) + 稠密(Embedding)向量 → 存入 Zilliz Cloud → 查询时混合召回 → 注入上下文 → 模型作答

1. 分段与特征化：把代码拆成片段，同时生成 BM25 关键词信号和 Embedding 向量。
2. 向量入库：特征写入 Zilliz Cloud 向量数据库，形成可检索索引。
3. 混合召回：查询时关键词与向量双路并用，取相关片段。
4. 上下文注入：把召回结果送回 Claude 当前上下文。

进阶配置

• 更换嵌入模型：默认用 OpenAI embedding，可切换 text-embedding-3-large、voyage-code-3 等其他提供方（详见各嵌入商配置示例）。
• 文件包含 / 排除：可自定义哪些文件入索引、哪些跳过，规则说明见File Inclusion & Exclusion Rules。
• 自定义环境变量：各 MCP 客户端的环境变量配置见 Environment Variables Guide。

支持的客户端

除 Claude Code 外，官方给出了 Codex CLI（TOML）、Gemini CLI、Qwen Code、Cursor、Void、Claude Desktop、Windsurf、VS Code、Cherry Studio、Cline、Augment、Roo Code、Zencoder 及 LangChain / LangGraph 的接入方式。服务器走标准 stdio 传输，任意兼容 MCP 的客户端都可用 npx @zilliz/claude-context-mcp@latest 拉起。

资源链接