claude-context

KI-Coding-Agents argumentieren stark, rufen Wissen aber schwach ab. Sobald eine Codebasis über ein paar hundert Dateien hinauswächst, kann der Agent nicht mehr alles im Kontext halten und greift auf grep, Datei-Globbing oder das Laden ganzer Verzeichnisse zurück. Das verbrennt Tokens und übersieht trotzdem Code, der nicht exakt zum Suchbegriff passt. claude-context, gepflegt von Zilliz (dem Team hinter der Vektordatenbank Milvus), setzt genau hier an. Es ist ein MCP-Server, der ein Repository einmal indexiert und dann ein semantisches Code-Suchwerkzeug für den verbundenen Agenten bereitstellt, egal ob Claude Code, Cursor, Gemini CLI, Codex CLI, Windsurf oder andere. Die Idee ist schlicht: Der Agent fragt nach dem Code, der die Benutzer-Authentifizierung erledigt, und bekommt die passenden Chunks zurück, statt Dateinamen zu raten.

Die Pipeline hat einige besondere Bausteine. Code wird mit einem AST-basierten Chunker zerlegt, der Funktions- und Klassengrenzen respektiert, mit einem Fallback-Splitter, falls das Parsen scheitert, sodass die eingebetteten Einheiten zusammenhängend bleiben statt willkürlicher Zeilenfenster. Jeder Chunk wird über einen konfigurierbaren Embedding-Anbieter in einen Vektor übersetzt: OpenAI, VoyageAI (samt des auf Code abgestimmten voyage-code-3), Gemini oder ein lokales Ollama-Modell. Die Vektoren landen in Milvus oder im verwalteten Zilliz Cloud. Bei der Abfrage läuft eine Hybrid-Suche, die BM25-Stichwortabgleich mit dichter Vektorähnlichkeit kombiniert und so sowohl exakte Bezeichner als auch konzeptionelle Treffer findet. Die auffälligste Engineering-Entscheidung ist die inkrementelle Indexierung per Merkle-Baum: Nur tatsächlich geänderte Dateien werden neu eingebettet, sodass das Synchronhalten eines großen Repos günstig bleibt, während sich der Code weiterentwickelt.

Am klarsten passt das Werkzeug zu großen Monorepos und ausufernden Codebasen, in denen ein Agent realistisch nicht alles sehen kann und in denen grep-artige Suche entweder zu viel oder das Falsche liefert. Teams, die Claude Code oder Cursor über Millionen Codezeilen einsetzen, sind die naheliegende Zielgruppe, ebenso wie Entwickler, die eigene Agents auf LangChain oder LangGraph bauen und eine einsetzbare Retrieval-Schicht wollen. Konkrete Anwendungen sind etwa, vor einem Refactoring jede Stelle zu finden, an der ein Zahlungsfluss berührt wird, die Beziehung zweier weit entfernter Module abzubilden oder einer neuen Agent-Sitzung genug Grundlage für Architekturfragen zu geben, ohne Dateien manuell einzufügen. Es kommt als npm-Pakete, als MCP-Server und als VS-Code-Erweiterung namens Semantic Code Search, sodass die Einführung keinen festen Workflow erzwingt.

Die ehrlichen Einschränkungen sind real. claude-context braucht einen API-Schlüssel eines Embedding-Anbieters, was laufende Kosten und eine externe Abhängigkeit bei jeder Indexierung und vielen Abfragen mit sich bringt, außer man betreibt Ollama lokal und nimmt geringere Embedding-Qualität in Kauf. Es setzt zudem eine Vektordatenbank voraus: Milvus zum Selbsthosten oder ein Zilliz-Cloud-Konto, was mehr Einrichtung bedeutet als ein rein lokales Tool. Die Schlagzahl von rund 40 Prozent Token-Ersparnis ist die eigene Angabe des Projekts unter seiner eigenen Bedingung gleichwertiger Retrieval-Qualität, kein unabhängiger Benchmark, also als grobe Richtung zu lesen. Es gibt echte Überschneidung mit anderen Code-Such-MCP-Servern in diesem Feld, und die naheliegende Anreizfrage: Zilliz profitiert, wenn man Vektoren in seiner Datenbank speichert, weshalb die Lenkung Richtung Milvus und Zilliz Cloud wenig überrascht.

Gegenüber einer kommerziellen Option wie Sourcegraph Cody ist claude-context schmaler und besser kombinierbar. Cody ist ein ausgereiftes, gehostetes Code-Intelligence-Produkt mit eigener Oberfläche, Enterprise-Steuerung und eigenem Such-Backend; claude-context ist ein fokussierter MCP-Baustein, der Retrieval in den Agenten einklinkt, den man ohnehin nutzt, wobei Embedding- und Speicherwahl in den eigenen Händen bleiben. Diese Offenheit ist der Reiz für Teams, die den Stack selbst besitzen und Lock-in vermeiden wollen, und die Zilliz-Herkunft verleiht auf der Vektor-Infrastruktur-Seite Glaubwürdigkeit. Greifen Sie zu, wenn Sie eine wirklich große Codebasis haben, Agents, die bereits MCP sprechen, und Toleranz für Embedding-Kosten und einen Vektorspeicher. Lassen Sie es, wenn Ihr Projekt bequem in den Kontext passt oder eine zusätzliche externe Embedding-API den Aufwand nicht wert ist.