Sourcegraph 发布 Code Finder：专为 AI 代理设计的极速代码搜索引擎
在 AI 编程助手（Coding Agents）日益普及的今天，代码搜索能力已成为其核心瓶颈。当代理面对大型代码库时，往往陷入低效的循环：打开文件、扫描内容、发现无解后回溯，每一轮尝试都在消耗宝贵的上下文窗口（Context Window）和 Token 预算。
为了解决这一痛点，Sourcegraph 于 2026 年 7 月 23 日正式推出了 Code Finder。这是一款运行在 Sourcegraph MCP Server 上的专用代理搜索工具，旨在通过‘分工协作’机制，让 AI 代理专注于逻辑推理与代码生成，而将繁琐的文件定位工作交给 Code Finder 高效完成。
核心突破：从通用搜索到专用搜索的范式转移
Code Finder 的设计哲学在于专业化分工。传统的通用代理试图用同一个上下文窗口同时处理搜索、理解和生成，导致效率低下。Code Finder 则专注于单一任务——精准定位代码。
工作原理
- 独立搜索循环：Code Finder 接收任务后，自主运行搜索循环，遍历整个仓库。它比通用代理更懂如何高效地利用 Sourcegraph 的索引能力。
- 高密度交付：搜索完成后，它直接返回匹配的文件路径、精确的行范围（Line Ranges）以及简短的功能说明。
- 无缝交接：AI 代理无需重复扫描，直接读取 Code Finder 提供的‘聚焦答案’，立即进入下一步开发工作。
实测数据：效率与成本的双重飞跃
Sourcegraph 通过基准测试对比了三种方案：Code Finder 专用工具、代理调用 MCP 工具、以及代理使用本地搜索工具。结果显示：
- 速度提升：Code Finder 完成任务的速度是代理使用本地搜索工具的 2 倍以上。
- 成本优化：在同等结果质量下，相比代理调用 MCP 工具，成本降低了高达 40%。
- 资源节省：显著减少了 Token 消耗，让有限的计算资源更多地用于代码逻辑的推理。
"Code Finder 让 AI 代理不再在‘找代码’上浪费时间，而是将精力集中在‘写代码’上。" —— Sourcegraph 团队
开发者价值与应用场景
- 降低 Token 成本：对于依赖大模型进行代码生成的企业，Code Finder 是降低 API 调用成本的关键基础设施。
- 提升复杂项目效率：在拥有数十万行代码的大型项目中，专用搜索能大幅缩短从问题描述到代码定位的时间。
- 生态集成：Code Finder 现已集成至 Deep Search 等高级搜索功能中，并作为标准 MCP 工具开放，开发者可轻松将其接入自有 Agent 工作流。
总结
Code Finder 标志着 AI 代码搜索从‘通用大模型能力’向‘专用垂直工具’的演进。它证明了在 AI 代理架构中，通过合理的任务拆解与专用工具辅助，可以突破上下文窗口的限制，实现真正的规模化高效开发。
