Oracle风格
解析React和Sass文件，提取所有符号，并通过MCP服务器为Claude/AI代理进行搜索。
它的作用
- 提取React组件（props、state、hook等）
- 提取Sass/CSS内容（选择器、变量、混入等）
- 使用全文搜索将所有内容存储在SQLite中
- 为语义搜索创建向量嵌入
- 运行MCP服务器，以便Claude可以搜索您的代码库
搜索结合了关键字匹配+向量相似性+AI重新排序，以实际找到您要查找的内容。
为什么这很有用
你是否曾在大型代码库中工作，花了20分钟寻找“具有加载状态的按钮组件”或“处理卡阴影的混入”？
传统的搜索工具只搜索文本，所以你最终会得到47个“按钮”的结果，并且必须手动检查每个结果。这个东西实际上理解代码的作用，所以你可以问“带加载微调器的按钮”，它会找到 LoadingButton 即使“加载”一词从未出现在文件名中。
样式也是如此——询问“卡片阴影样式”，它会找到创建卡片阴影的相关混合、变量和选择器，即使它们分散在不同的文件中，名称如下 _elevations.sass 和 $shadow-depth-2.
基本上将你的代码库变成你可以与之对话的东西，而不是玩文本匹配的打地鼠游戏。
运作原理
Parse files → Store in SQLite + FAISS → Search via MCP server组件
extractor/-解析React/Sass文件，处理奇怪的语法边缘情况docker/-带可选web UI的SQLite设置embeddings/-创建OpenAI嵌入和FAISS索引server/-MCP服务器+BGE再银行服务器
需求
- Python 3.12
- Node.js 20+
- Docker（用于SQLite web UI，可选）
- 拥抱脸CLI（适用于BGE型号）
- OpenAI API密钥
设置
# Install stuff
pip install -r requirements.txt
cd extractor && npm install
# Set up Hugging Face (for reranking models)
huggingface-cli login
# Extract symbols from your project
node extractor/extract-symbols.js /path/to/your/src
# Create embeddings (needs OPENAI_API_KEY)
python embeddings/create_embeddings.py
# Start servers
./start-servers.sh你得到了什么
提取后，您将获得：
symbols.jsonl-所有提取的符号components.json-React组件信息families.json-边界元模式关系breakpoints.json-您的响应断点- 带全文搜索的SQLite数据库
- 用于语义搜索的FAISS矢量索引
然后，Claude（或其他MCP兼容工具）可以搜索您的代码库，并真正了解其中的内容。
备注
- 提取器具有多种回退策略，因此不会因奇怪的Sass语法而受阻
- 边界元模式检测在识别元件族方面效果很好
- 混合搜索（关键字+向量+重新排序）通常会找到您要查找的内容
- 之所以这样做，是因为现有的代码搜索工具在理解上下文方面很糟糕