PrecisionContextEngine

为 AI 编程 Agent 设计的代码库理解减负及加速层

大型代码库理解的最大成本不是"搜索"，而是反复 grep、手工翻目录、拼接调用链带来的上下文消耗。PCE 通过 MCP 暴露的工具接口把入口定位、链路梳理、影响面分析从主 Agent 中拆出来：

• 节省主 Agent 上下文：代码库调研由 PCE 独立完成，主 Agent 的上下文窗口不被探索过程消耗，得以在一轮会话中连续完成目标任务
• 降低模型调用成本：PCE 的分析任务不依赖旗舰模型——推荐使用参数量小、速度快的轻量模型，性价比更高，响应更快

推荐模型（实测性价比均衡）：xiaomi/mimo-v2-flash · openai/gpt-5.4-mini · openai/gpt-5.4-nano

工具一览

典型工作流：

pce_init → pce_query → pce_impact → [修改代码] → pce_sync

• 目标未知 → 先用 pce_query
• 目标已知，评估波及面 → 用 pce_impact
• 改完代码后 → 用 pce_sync

快速接入（MCP）

推荐直接以 MCP 方式接入，无需手动启动服务。

Claude Code

在 MCP 配置文件中添加：

{
  "pce": {
    "command": "uvx",
    "args": [
      "--from",
      "git+https://github.com/Bluezeamer/PrecisionContextEngine",
      "pce",
      "serve"
    ],
    "env": {
      "PCE_PROVIDER": "openrouter",
      "PCE_MODEL": "openai/gpt-5.4-nano",
      "PCE_API_KEY": "your_api_key",
      "PCE_TEMPERATURE": "1.0",
      "PCE_AGENT_TIMEOUT": "1200"
    }
  }
}

Codex

[mcp_servers.pce]
command = "uvx"
startup_timeout_sec = 60
args = ["--python", "3.11", "--from", "git+https://github.com/Bluezeamer/PrecisionContextEngine", "pce", "serve"]
tool_timeout_sec = 1200

[mcp_servers.pce.env]
PCE_PROVIDER = "openrouter"
PCE_MODEL = "openai/gpt-5.4-nano"
PCE_API_BASE = "https://openrouter.ai/api/v1"
PCE_API_KEY = "your_api_key"
PCE_TEMPERATURE = "1.0"
PCE_AGENT_TIMEOUT = "1200"

[重要]提示词建议

经过实测MCP本身的工具调用提示词在各Agent内部的引导优先级权重不高，容易被淹没在大量的工具噪音里。因此为了强化主Agent适时使用PCE的倾向获得更好的使用体验，建议将AGENTS.md中的内容复制粘贴到你的目标Agent系统提示词约束中——例如对于claudecode来说是CLAUDE.md，对于codex来说是AGENTS.md。

环境变量

完整示例见 .env.example。

本地部署

环境要求：Python 3.11–3.12，uv

uv sync --all-extras
cp .env.example .env   # 按上表填写必填变量
uv run pce serve       # 以 stdio MCP server 方式运行

License

GPL-3.0