VectorCode Semantic Search 是一份面向开发者的技能资料,介绍如何通过 MCP 集成使用 VectorCode 的语义代码搜索能力。VectorCode 用嵌入向量为代码建立索引,使搜索可以依据含义和上下文进行,而不只是精确关键词匹配。
用途方面,资料说明适合按概念或意图搜索(如“认证逻辑”“错误处理模式”),在不知道确切函数名时找相似代码,探索陌生代码库,跨模块发现相关功能,以及在关键词搜索返回过多或无关结果时使用。资料同时指出,查找精确字符串或标识符、定位具体函数名或类名、查找文件路径或扩展名、简单模式匹配、需要完整穷举结果时,应改用 Grep/Glob。两者也可组合:先用语义搜索定位相关区域,再用 grep 查具体细节。
主要能力包括三部分。语义搜索:按意图和含义找代码,发现跨代码库的相似实现,定位相关功能,支持跨语言概念搜索。索引管理:列出已索引项目和文件,向索引添加新文件,移除过时或无关文件,核对索引覆盖范围。查询优化:撰写有效的语义查询,与传统搜索工具结合,平衡召回率与精确率,依据结果反复调整查询。
使用方式围绕五个 MCP 工具展开。mcp__vectorcode__ls 无参数,返回已索引项目的根路径列表,通常先调用它确认哪些项目已建立索引。mcp__vectorcode__query 执行语义搜索,参数包括 n_query(返回结果数量,建议从 10 至 20 开始)、query_messages(一组不同的关键词或短语)、project_root(必须与 ls 输出中的路径完全一致);返回文件路径与相关度分数、带上下文的代码片段和匹配行范围。mcp__vectorcode__vectorise 将文件加入嵌入索引,需提供绝对路径列表和 project_root,适合新建文件后、扩大索引覆盖、大幅改动代码后或开始语义搜索前使用。mcp__vectorcode__files_ls 按 project_root 列出该项目已索引的文件,用于核对覆盖、排查结果缺失、规划索引更新。mcp__vectorcode__files_rm 从索引中移除指定文件,适合删除源文件后、清理生成或构建文件、清理旧代码、缩小索引体积。
资料给出查询撰写建议:关键词应概念化而非字面化,例如用“用户认证逻辑”而不是“def authenticate”;应彼此区分且覆盖不同侧面,例如用“认证、会话、授权”而不是“login、sign in、authenticate”;可从多个角度描述同一概念,并使用领域语言。查询可迭代细化:先宽泛检索,再结合上下文收窄,必要时加入相关概念;结果仍过宽时减少 n_query 或用 grep 过滤。资料还列出探索陌生代码库、查找相似实现、跨模块搜索、发现依赖、定位配置、调试功能实现等常见模式,以及与传统搜索配合的两阶段策略和验证模式。
索引管理流程方面,初始设置先调用 ls 确认项目是否已索引,未索引时运行 vectorcode init(资料提到通常由 git 钩子自动完成),再用 files_ls 核对文件,缺失时用 vectorise 补充。日常维护在改动后添加新文件、移除已删除文件;更新文件可通过先移除再添加实现重新索引。结果缺失时可先查 files_ls 确认文件是否在索引中,缺失则补充,并注意 project_root 必须完全匹配,包括末尾斜杠的一致性。
性能建议:n_query 从 10 至 15 起步获得聚焦结果,范围较广的探索可提高到 20 至 30,数值越大,返回结果越多,但相关度越低;查询宜用 2 至 5 个不同概念并花时间打磨关键词;project_root 始终使用 ls 给出的精确路径,Unix 系统区分大小写;索引宜增量进行,不必频繁重建整个项目,可用 git 钩子自动索引。常见误区包括:把精确代码当作查询、只用单个泛化词、project_root 写错、期待精确匹配(语义相似与精确匹配并不相同)。
资料还给出与其他技能配合的工作流:先用 VectorCode 语义定位相关区域,再用 fd/glob 定位具体文件,用 grep/rg 提取精确模式,最后阅读具体文件。对比表列出各类需求对应的工具选择,例如按概念查找用 VectorCode,精确字符串用 grep/rg,按名称找文件用 fd/glob,验证完整性用 grep。资源部分提到:配置 MCP 服务器后 MCP 集成自动可用;可用 vectorcode init --hooks 在提交时自动索引;.vectorcode.include 和 .vectorcode.exclude 控制索引范围。资料未提供收费、价格或平台支持等具体信息。