semble
MinishLab
CPU-only semantische Code-Suche für Agenten: in natürlicher Sprache fragen, nur die relevanten Snippets zurückbekommen.
Was ist semble?
Ein Code-Suchtool für KI-Coding-Agents: du fragst in natürlicher Sprache und bekommst nur die relevanten Snippets zurück, statt ganze Dateien zu lesen oder zu grep'en. Es läuft komplett auf der CPU mit tree-sitter-Parsing, Model2Vec-Static-Embeddings und BM25, braucht keine API-Keys oder GPU und kommt als Python-Library, CLI und MCP-Server.
Vor- & Nachteile
Pros
- Zero-Setup lokal, keine API-Keys, GPU oder Cloud, vom Model2Vec/Potion-Team
- Dreifache Distribution (Library, CLI und MCP-Server) passt zu Agent- und Mensch-Workflows
- MIT-lizenziert mit Releases, Tests und Docs
Cons
- Vor 1.0 (0.4.x), Schnittstellen können brechen
- Plakative Effizienzzahlen (98% weniger Tokens, 218x schnelleres Indexing) sind unverifizierte Projekt-Benchmarks
- Die Retrieval-Qualität der Static-Embeddings auf sehr großen oder ungewöhnlichen Codebases ist nicht unabhängig validiert
Lizenz
MIT (OSI-open)
Wann interessant
Coding-Agent-Nutzer, die mit einem lokalen CPU-Tool Kontext-Token-Kosten bei der Code-Suche senken wollen.
Wann zu früh
wenn du erst eine stabile 1.0-API oder belegte Retrieval-Qualität auf deinem konkreten Monorepo brauchst.
Kommerzielle Alternative & Verwandtes
- Kommerzielles Pendant: Greptile
Dieses Repo war in der Ausgabe 2026-07 des Open-Source-KI-Radars.
langextract
Python-Bibliothek von Google für LLM-gestützte strukturierte Extraktion mit Source Grounding.
LEANN
StarTrail-org
RAG auf allem - graphbasierter Vektorindex mit behaupteten 97% Storage-Einsparungen für private On-Device-Suche.
turbovec
RyanCodrai
Rust-Vektorindex mit TurboQuant-Kompression (ICLR 2026) - SIMD-Kernel, Online-Ingest.