Tool Call 92% 감소 및 탐색 속도 71% 향상시킨 CodeGraph 기반 Knowledge Graph 도입

Context

AI Agent가 미지의 코드베이스 탐색 시 grep, glob, Read 등 반복적인 File Scanning으로 인한 과도한 Token 소모 및 시간 지연 발생. 단순한 파일 탐색(Discovery) 단계가 전체 분석 프로세스의 병목 지점으로 작용하는 구조적 한계 존재.

Technical Solution

• tree-sitter 기반 AST 파싱을 통한 Function, Class, Method 등 심볼 및 Edge 정보 추출
• SQLite FTS5 Full-Text Search를 활용한 로컬 인덱싱 기반의 고속 검색 체계 구축
• Call Graph, Import, Inheritance 관계를 매핑하여 심볼 간 참조를 Resolve 하는 Knowledge Graph 설계
• Native OS Event 기반 File Watcher 도입으로 소스 코드 변경 사항을 실시간으로 반영하는 Auto-sync 메커니즘 구현
• MCP(Model Context Protocol) Server 형태로 구현하여 Agent가 단일 쿼리로 진입점 및 관련 심볼을 획득하는 구조적 최적화

Impact

• Tool Call 횟수 평균 92% 감소 및 코드 탐색 속도 71% 향상
• VS Code 코드베이스 기준, 특정 기능 분석 시 Tool Call 횟수를 52회에서 3회로 단축
• Java 코드베이스에서 File Read 없이 단일 CodeGraph Call만으로 질문 해결 완료

Key Takeaway

AI Agent의 성능 저하는 모델의 추론 속도가 아닌, 필요한 정보를 찾는 Discovery 과정의 비효율성에서 기인함. 정형화되지 않은 텍스트 검색을 정형화된 Graph 쿼리로 전환함으로써 정보 획득 비용을 획기적으로 낮출 수 있음.