Cómo dejar de gastar miles de dólares en tokens al trabajar con agentes de IA en código

¿Te suena familiar? Le pides a Claude Code o Cursor que corrija una función de apenas veinte líneas en un módulo legacy. El agente abre un archivo de mil líneas, lee un montón de imports, echa un vistazo a los archivos vecinos y en un instante consume la mitad de la ventana de contexto. Estamos pagando a los proveedores de redes neuronales no por generar soluciones inteligentes, sino por desplazarnos interminablemente por el código fuente.

Un desarrollador con el sobrenombre jgravelle propuso un enfoque pragmático: delegar el análisis de la estructura del código a un parser local ligero y alimentar a la red neuronal solo con el fragmento relevante. Así nació el proyecto de código abierto jCodeMunch MCP.

¿Cuál es la idea central del proyecto

jCodeMunch MCP es un servidor MCP (Model Context Protocol) que indexa tu codebase utilizando la biblioteca tree-sitter. En lugar de alimentar a los agentes de IA con archivos completos, la herramienta analiza el árbol AST y extrae símbolos específicos: funciones, clases, métodos, constantes e interfaces.

Cuando un agente necesita consultar la implementación de un método, jCodeMunch devuelve solo 30 líneas de esa función específica con offsets de bytes, en lugar del archivo fuente completo de 800 líneas. Según los benchmarks del autor en repositorios populares como FastAPI, Express y Gin, este enfoque reduce el consumo de tokens para lectura de código entre un 95 y un 99%.

La herramienta funciona con Claude Code, Cursor, Windsurf, VS Code, Codex CLI, Continue y cualquier otro cliente que soporte MCP.

Características principales de jCodeMunch

Búsqueda dirigida en AST en lugar de fuerza bruta

Un asistente de IA típico busca código mediante grep o solicita archivos uno por uno. jCodeMunch indexa el proyecto una sola vez y construye un mapa de símbolos. El agente puede buscar por coincidencia exacta de nombre, búsqueda difusa o un algoritmo híbrido (BM25 combinado con PageRank).

Recopilación de contexto en una sola llamada

En lugar de una larga cadena de consultas como "encontrar archivo -> leer -> verificar imports -> leer imports," jCodeMunch tiene una herramienta assemble_task_context. Pasas una tarea en lenguaje natural y el servidor determina automáticamente la intención (depuración, refactorización, auditoría), extrae los símbolos clave y forma un paquete de contexto comprimido estrictamente dentro del límite de tokens especificado.

Preguntas que grep no puede responder

La búsqueda estática no comprende las relaciones entre componentes. jCodeMunch puede construir grafos de llamadas y responder preguntas especializadas de ingeniería:

• find_importers: muestra qué archivos dependen del módulo seleccionado.
• get_blast_radius: evalúa el radio de impacto y los riesgos al modificar una función específica.
• find_dead_code: encuentra símbolos no utilizados y archivos huérfanos no conectados a puntos de entrada.
• get_symbol_importance: clasifica los componentes del proyecto por significado arquitectónico usando el algoritmo PageRank.
• get_untested_symbols: busca funciones no cubiertas por pruebas existentes.

Formato de transferencia compacto MUNCH

El JSON convencional es excesivamente verboso y consume contexto por sí solo. Además de la extracción de código, jCodeMunch puede aplicar su propia compresión MUNCH. Las rutas repetidas se internan y las listas se empaquetan en cadenas CSV compactas mientras se preservan los tipos. Esto proporciona un ahorro adicional del 40 al 50% en el volumen de datos transferidos.

Bajo el capó

El proyecto está escrito en Python y se ejecuta completamente en local. Por defecto, todos los índices se almacenan en el directorio ~/.code-index/. Utiliza enlaces de tree-sitter para analizar más de 70 lenguajes de programación.

El ensamblaje de contexto se basa en búsqueda de texto completo BM25 y análisis de grafos de importación con cálculo de PageRank. Si necesitas búsqueda semántica adecuada por significado, puedes instalar el paquete opcional [local-embed]. Descarga un modelo ONNX local all-MiniLM-L6-v2 de aproximadamente 23 MB una sola vez. Después de eso, la vectorización funciona sin llamar a APIs externas y sin que el código se filtre a la red.

Cómo probarlo

La forma más rápida de desplegar el servidor es usar pip o uvx:

pip install jcodemunch-mcp
jcodemunch-mcp init

La utilidad init encontrará automáticamente los clientes MCP instalados en tu máquina (Claude Code, Cursor, Windsurf, VS Code), escribirá la configuración y sugerirá agregar una instrucción a CLAUDE.md o a los prompts del sistema del agente para que el modelo comience a usar la búsqueda por símbolos en lugar del desplazamiento habitual por archivos.

Ejemplo de conexión manual a Claude Code a través de CLI:

claude mcp add -s user jcodemunch uvx jcodemunch-mcp

Si quieres hacer seguimiento de costos, la herramienta integrada get_session_stats mostrará estadísticas de llamadas a herramientas, ahorros reales de tokens por sesión y precisión de consultas.

Quién realmente lo necesita

La herramienta probablemente no cambiará tu vida si escribes scripts pequeños o proyectos personales con un par de archivos. Pero al trabajar con monorepos grandes en TypeScript, Python, Go o Java, jCodeMunch produce un efecto notable.

El agente deja de atascarse desplazándose por miles de líneas de código repetitivo, las respuestas del modelo llegan más rápido y las facturas de uso de la API de redes neuronales bajan notablemente. La licencia para uso personal es completamente gratuita, así que puedes probar el enfoque en tu propio codebase sin costos adicionales.