SuperAPI AI 工具集
合作ENAI 行业资讯收藏
全部工具AI智能体Graft

Graft

Graft 是一个面向编码智能体的开源上下文层，现已更名为 Trail-code，但 graft 命令仍然可用。它通过 tree-sitter 把代码仓库解析成代码知识图谱（graft map），让 Claude Code、Cursor、Codex、Gemini 等编码智能体在每次提示时只获取匹配的文件与函数，并在编辑后看到“爆炸半径”内的依赖。官方称可减少 46% 的工具调用、42% 的 token 消耗，并带来约 12 个百分点的正确率提升。除代码图谱外，还引入了 Learnings 机制，把会话中得到的结论、决策与团队约定保存为文件，通过 git 在团队间共享。提供 MCP 服务与 graft grep、graft map、graft viz 等命令行工具，支持 monorepo。

访问官网

工具介绍

用途

Graft（现已更名为 Trail-code）是一个自学习的上下文层，面向编码智能体。它让 Claude Code、Cursor、Codex、Gemini 等编码智能体获得一份代码地图，以及团队关于这份代码已经积累的认识，从而更快、更省地完成任务。

Trail-code 由两部分组成，二者都运行在用户本地机器上：

  1. graft map（代码图谱）：通过 trail init 用 tree-sitter 解析仓库，生成每个文件、函数以及调用关系的图谱。不需要模型，也不需要 API 密钥。代码变化时（包括未提交的修改）会自动刷新。智能体在每次提示时会拿到匹配的文件与函数指针，并在编辑后立即看到哪些内容依赖于该文件。
  2. Learnings（经验）：当一次会话得出某个结论，或用户纠正了某项做法时，智能体会将其保存为一条 learning。下一次会话（无论是本人还是团队成员）就以此为起点，而不必重新摸索。关于代码的 learning 随代码一起提交；关于个人的 learning 留在本机。trail init 还会读取过去 Claude Code 会话中反复出现的信息作为初始 learnings。

主要能力

  • 代码图谱：tree-sitter 解析生成符号与调用关系图，确定性、无模型、无网络，支持 23 种语言。
  • 随提示提供相关代码：在 Claude Code 中通过 hooks 把匹配文件和函数加入每次提示，并在编辑后展示依赖该文件的“爆炸半径”。Cursor、Codex 等通过 MCP 工具和指令文件获得同一份图谱。
  • 始终保持最新：每次查询先检查工作树，仅重建变化部分，未提交的编辑也包含在内。
  • 纯文件形式：链接的 markdown 节点，智能体可像普通文件一样打开和检索，不使用向量嵌入。
  • 可选摘要：trail build --deep 会使用用户自己选择的模型提供商与密钥，生成系统中各部分的白话摘要。
  • Learnings：分为 personal 与 repo 两类存放位置，以及 decision 与 preference 两类内容类型；以 .trail/learnings/ 下的短 markdown 文件保存，随 PR 一起评审。
  • 团队共享：learnings 通过 git 传播，无需服务器。trail team 展示最近 7 天团队学到什么、工作在哪里重叠。trail check 在提交、推送或开 PR 前，将改动与团队已有学习内容比对。
  • 不重写历史：智能体不会编辑已有 learning，若与之冲突会在提交中说明原因并保存新的 learning。

使用方式

只需运行 trail init。它会询问要为哪些编码智能体接线，根据代码构建 graft map，创建 .trail/ 存放仓库的 learnings，并为 Claude Code 添加状态行和 hooks。它还会一次性读取该仓库中过去的 Claude Code 会话，找出你重复说过两次以上的内容并保存为 learnings；这一读取由本机 Claude Code 完成，约需一分钟。之后按原有方式工作即可，没有守护进程、没有服务器，全部是文件。

建议提交该配置以便团队成员也能使用。graft map 本身位于 graft/，属于类似 node_modules 的本地缓存，应加入 .gitignore。

相关命令：

  • trail init --dry-run：显示将要写入的智能体接线。
  • trail init --agents claude：仅接线 Claude Code。
  • graft grep、graft map、graft viz：原有 graft 命令仍然可用。
  • trail build --deep：生成深度摘要。
  • trail check：提交前的检查。
  • trail team：查看团队近 7 天动态。
  • trail telemetry disable 或环境变量 DO_NOT_TRACK=1：关闭匿名使用统计。

从 graft 迁移：代码图谱现称为 graft map；graft 与 @nanonets/graft 运行与 trail 相同的代码，输出保持不变。已有 graft 的用户运行 graft upgrade 会在其旁边添加 trail 命令。由 graft 配置过的仓库会在安装 trail 命令后，首次在该仓库打开 Claude Code 时自动迁移；也可立即运行 trail init 迁移。

效果数据（官方提供）

  • 在 SWE-bench Verified 上，同一模型（Claude Sonnet 5）对比：接入 graft map 解决 50 个问题中的 33 个，未接入解决 27 个，工具调用减少 25%，token 减少 23%，耗时减少 32%。文中提到 Claude Sonnet 5 在接入 graft map 时解决 33/50、不接入时 27/50，并使用少 23% 的 token。
  • 在 162 次相同任务、相同智能体的运行中：成本降低 32%，未缓存输入 token 减少 42%，时间减少 60%，正确比例相同。文中另提到 46% 更少工具调用、42% 的 token 节省、60% 更少时间，以及针对 cold Claude Code 的正确率提升。
  • 在 PocketBase 上，15 个真实任务的成本低 21%，速度快 14%。
  • 在 hashicorp/go-retryablehttp 的示例中，一个学习可让队友的智能体获得约 27k token 的“领先量”。

注意：不同段落中的对比数字表述不完全一致（例如 23% 与 42% 的 token 节省、不同基准），均按原文列出。

隐私与数据边界

  • 代码：graft map 在本机用 tree-sitter 构建，无模型、无网络。可选的 trail build --deep 摘要会发送到用户自选的模型提供商，使用用户自己的密钥。
  • 个人 learnings：保存在 ~/.trail，永不提交、永不上传。
  • 仓库 learnings：位于仓库中的文件，通过 git 像其他文件一样共享。
  • 历史会话：trail init 在本机读取你本人在该仓库 Claude Code 记录中的消息，由本机 Claude Code（Claude Sonnet，你的登录）完成，消息只发给 Anthropic，并计入你的 Claude 用量，不会发送给 Trail。
  • 若连接 Trail workspace：在连接前不会有 learning 上传；连接后，所选仓库中的 learnings 会上传至 Trail，包括队友已推送分支上的内容，以及每次搜索与检查的记录（搜索文本、文件、展示了谁的 learnings）。
  • 匿名使用统计：仅使用分桶与固定标签，绝不包含 learning 的标题、文本或路径；TELEMETRY.md 列出每个字段，可用 trail telemetry disable 或 DO_NOT_TRACK=1 关闭。

适用场景

  • 在大型或陌生代码库中使用编码智能体，希望减少反复探索。
  • 团队协作：希望成员的智能体能共享关于代码的决策与约定，且这些内容随 PR 评审、随 git 传播。
  • monorepo 场景（文中提到支持 monorepo，具体细节见官方参考）。
  • 需要了解改动影响范围（爆炸半径）时。

限制与暂未提供的信息

  • 各基准测试的具体配置、任务清单与完整结果见官方仓库中的基准说明。
  • Trail workspace 的团队页面（跨仓库视图、谁在学什么、learning 复用频率、工作重叠）标注为“即将推出”，尚未提供。
  • 官方资料未说明价格、收费方式与商业授权模式。
  • 未提供的安装命令细节、具体 MCP 配置示例、支持的 23 种语言完整列表、节点具体内容、各部分运行位置等，均需参见官方参考文档。
  • 并非所有功能都对所有智能体生效：Claude Code 通过 hooks 集成，Cursor、Codex 等通过 MCP 工具与指令文件集成。
  • 匿名统计可通过配置关闭。

同类工具

查看分类