SDL-MCP：为AI编程代理提供精准代码上下文的智能索引系统

SDL-MCP是一款为AI编程代理设计的智能索引系统，核心目标是解决AI编程中上下文获取的Token浪费问题。它通过构建代码库的符号图谱，采用分层递进式上下文检索策略，帮助AI代理精准获取所需代码信息，最高可节省20倍Token用量，同时提升代理输出质量。

AI编程代理在回答代码问题时，传统方式常需读取整个文件（如500行代码文件仅需函数签名却读全部），导致Token浪费严重。一次涉及20个文件的调试会话，上下文收集可能消耗超4万个Token。SDL-MCP正是为解决这一粗放式获取的痛点而生。

核心架构

SDL-MCP工作流程分三阶段：

1. 索引阶段：解析代码符号（函数、类等）生成符号卡片，支持12种语言（Rust原生解析或Tree-sitter降级）；
2. 存储阶段：符号卡片存入LadybugDB图数据库，维护依赖关系形成代码知识图谱；
3. 服务阶段：通过MCP协议提供38种查询工具（符号搜索、依赖切片等）。

Iris Gate Ladder分层机制

将上下文获取分为四级：

• 符号卡片（~100 Token）：含名称、签名、摘要等核心信息；
• 骨架IR（~300 Token）：函数签名+控制流结构；
• 热点片段（~600 Token）：特定标识符相关代码行；
• 原始代码窗口（~2000 Token）：需策略门控访问。 这种设计确保仅在必要时读取完整代码，减少Token浪费。

符号卡片

每个符号编码为约100 Token的卡片，包含：基础信息、签名、LLM生成的摘要、不变式、副作用、依赖关系、代码度量、上下文等，可替代2000 Token的完整代码信息。

图切片功能

沿依赖关系图遍历，从任务相关符号出发，按加权边（调用1.0、配置0.8、导入0.6）计算相关性得分，返回Token预算内重要符号。支持自然语言任务描述、增量更新、溢出分页、ETag缓存等特性。

Delta与影响半径分析

代码变更时生成语义差异（signatureDiff等），计算影响半径识别受影响符号，标注需重新运行的测试文件，助力代码审查与重构。

实时索引

编辑器输入时实时更新内存存储，后台解析AST并合并到数据库，符号搜索等功能反映未保存状态。还提供开发记忆（跨会话笔记）、SCIP集成（提升依赖精度）、沙箱运行时（支持16种运行时）。

治理策略

原始代码访问需门控（理由、预期标识符、行数估计），决策记录审计日志；运行时执行有白名单、隔离、超时等管控措施。

SDL-MCP在多种场景下的Token节省效果：

场景	传统方式	SDL-MCP	Token节省
了解parseConfig参数	~2000 Token	~100 Token	20倍
查看AuthService结构	~4000 Token	~300 Token	13倍
定位this.cache设置	~2000 Token	~500 Token	4倍
对于大型代码库，累积节省显著降低API成本，提升代理响应速度。

SDL-MCP通过符号图谱与分层检索，从根本改善AI编程代理的上下文管理能力，让代理“理解”代码而非仅“读取”。它大幅降低Token消耗同时提升输出质量，为Claude Code、Cursor等AI编程工具用户提供更智能经济的代码交互方式。建议开发者在使用AI编程工具时结合SDL-MCP以优化体验。