jig：面向AI编码代理的MCP工具动态发现与阶段化工作流框架

jig是面向AI编码代理的MCP工具动态发现与阶段化工作流框架，核心通过即时工具发现和阶段强制工作流，将MCP会话启动时的工具模式token从17K降至2K（减少88%上下文开销），支持语义搜索按需调用、影子分支快照和代理部署编排等功能。

Model Context Protocol（MCP）是AI代理与外部工具交互的标准协议，但工具膨胀问题凸显：全量加载工具schema导致每次会话启动消耗约17,000 token（7个MCP服务器×30工具/服务器×80 token/工具），带来上下文窗口浪费、延迟增加、认知负担、成本上升等危害。

jig采用单一入口点架构，作为唯一注册的MCP服务器代理所有外部工具；工具分热路径（26个核心工具）和按需代理（30+内部域操作）两层；内部功能组织为graph、snapshot、experience等8个域。

语义工具搜索

嵌入模型BAAI/bge-large-en-v1.5，用fastembed生成嵌入并缓存到SQLite，通过proxy_tools_search接口实现自然语言查找工具。

代理执行机制

通过execute_mcp_tool(mcp, tool, args)统一调用任何MCP工具。

影子分支快照

每次Edit/Write/Bash操作后自动捕获（30秒节流），存储于refs/jig/snapshots/孤儿提交，隔离性好且附加代码异味分析。

两阶段生命周期

Phase0（jig_init_project）：复制模板、迁移MCP、注入方法论、配置编辑器；Phase1（deploy_project_agents）：编排核心代理、选择专用代理、注入技能、定制规则。

工作流阶段门控

用YAML定义tools_blocked、mcps_enabled、tension_gate，通过PreToolUse/PostToolUse钩子强制执行阶段流程。

效果量化

指标	传统方式	jig方式	优化幅度
启动工具数	210个	26个	-88%
启动token数	~17,000	~2,000	-88%
MCP注册数	7个	1个	-86%

部署使用

安装：uv tool install git+https://github.com/Rixmerz/jig；配置简化为单一jig入口；升级：uv tool upgrade jig-mcp。

应用场景

高频会话、大型项目开发、团队协作标准化、方法论沉淀。

当前局限

1. 主要面向Python项目；2. 部分功能针对Claude Code优化；3. 嵌入模型固定。

未来路线图

PyPI发布、多语言支持、嵌入模型可配置、IDE集成。

jig通过单一入口、按需发现、阶段门控的三位一体设计，优雅解决MCP工具膨胀问题，88%启动开销减少源于智能分层暴露和语义化组织，对面临全量加载困境的系统有借鉴意义，推荐MCP开发者评估使用。