AI自动化

大規模リポジトリのコンテキスト制御:claude-context vs RAG 2026

claude-context vs LlamaIndex RAG 大規模リポジトリ トークン削減 2026
開示事項:KuzCloudはMacホスティングガイドを公開しています。claude-contextとLlamaIndexはサードパーティ製ツールです。本記事は技術調査であり、製品推奨ではありません。
要約:monorepoが約50万行を超えると、フォルダごとClaudeやCursorに詰め込むとコンテキストウィンドウとトークン請求が破綻します。claude-context(zilliztech/claude-context)はAST対応チャンク+BM25/ベクトルハイブリッド検索のMCPサーバーで、関連スニペットだけを返します。従来のLlamaIndex RAGはロード→チャンク→埋め込み→ベクトルストア→クエリを自分で組むPythonパイプラインです。目安:Claude Code/Cursorユーザーはclaude-contextで最短の価値;ドキュメント+チケット+コードの混合やエアギャップならLlamaIndex。どちらもdiff精読の代わりにはなりませんが、1ターンあたりの投入トークンは減らせます。

トークンコストが大規模repoで膨らむ理由

フルスタック初心者が同じ壁に当たります。

  • 「リポジトリ全体を読んで」 — 200ファイル×約2kトークン ≈ 40万トークン(回答前に複数ドル)
  • grepスパイラル — ヒットごとにファイル全体を開き、無関係なimportでコンテキストが埋まる
  • 忘却リファクタ — ターン3でターン1を忘れる(ホストが履歴を切り詰め)

CursorやClaude Codeでは「context full」、要約圧縮、ファイル内容のサイレントドロップが症状です。

解はより大きなモデルではなく検索(retrieval)です。8〜20の小チャンク(各200〜600トークン)を取り、8ファイル丸ごと(各3k+)を避けます。

2アプローチ比較表

観点claude-context(MCP)LlamaIndex RAG
概要既製MCP+インデクサ(@zilliz/claude-context-mcp)自作Pythonスタック
チャンクAST対応+Merkle増分任意(CodeSplitter等)
検索ハイブリッド BM25+ベクトル主にベクトル(ハイブリッド可)
ベクトルDBMilvus / Zilliz CloudChroma、Qdrant、pgvector、LanceDB…
IDE統合Claude Code、Cursor(MCP)自前スクリプト、カスタムbot
初回検索まで約30〜90分(10万〜50万LOC)チューニングで数時間〜数日
ランニングコスト埋め込みAPI+ベクトルホスティング同様(全行を自己管理)
最適IDE内「repoを検索」混合コーパス、オンプレのみ

参考:LlamaIndexドキュメント、claude-context GitHub。

claude-contextの仕組み(MCP)

Your repo ──► AST chunker + embeddings ──► Milvus/Zilliz index
                                              │
User question ──► Claude/Cursor ──► MCP search_code ──► top-K chunks ──► model context

典型ツール:index_codebase、search_code、get_indexing_status、clear_index。

ハイブリッドがコードに効く理由:ベクトルのみでは UserAuthService_v2 のような記号を取りこぼします。BM25は識別子、ベクトルは「JWT期限はどこで検証?」のような意味を拾います。

増分インデックス:Merkle型の変更検知で触れたファイルだけ再埋め込み — 活発なブランチで重要です。

claude mcp add claude-context \
  -e OPENAI_API_KEY=your_key \
  -e MILVUS_TOKEN=your_zilliz_token \
  -- npx @zilliz/claude-context-mcp@latest

セッション内で一度indexし、自然言語で検索。カスタムMCPと併用して内部APIも同じホストに載せられます。

LlamaIndex RAG(DIY)

Documents ──► LlamaIndex loaders ──► chunk ──► embed ──► VectorStoreIndex
                                                          │
Question ──► query_engine.query() ──► retrieved nodes ──► LLM prompt
from llama_index.core import VectorStoreIndex, SimpleDirectoryReader, Settings
from llama_index.embeddings.openai import OpenAIEmbedding

Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
docs = SimpleDirectoryReader("~/my-monorepo", recursive=True).load_data()
index = VectorStoreIndex.from_documents(docs)
qe = index.as_query_engine(similarity_top_k=8)
print(qe.query("Where is rate limiting configured for the public API?"))

自分で足すもの:node_modules除外、言語別スプリッタ、path:packages/api/**フィルタ、MCPラッパ(任意)。

強み:PDFランブック+Jiraエクスポート+コードを1 retrieverに — claude-contextはコードファーストです。

トークン試算(監査シナリオ)

タスク:「auth middlewareをすべて見つけ、CSRFをスキップするルートを列挙」。約1,200ファイル、6関数・4パス。

戦略投入トークン(桁)メモ
src/ツリー+ランダム10ファイル12万〜25万最速の破産
grep+全ファイル読み(5ヒット)2.5万〜6万ボイラープレート多い
claude-context top-8 chunks3k〜8k関数スコープ
LlamaIndex top-8(512tok chunk)3k〜1万同程度
人間(2ファイルだけ)約2kRAGの理想

探索タスクでは naive「全部読む」より70〜90%低いことが多いです。1行修正はgrepで十分な場合もあります。

隠れコスト:初回インデックス(50万LOCで約$0.50〜$5)、ベクトルホスティング(無料枠$0〜25/月)、大規模マージ後の再index。

シナリオ別選定

シナリオA — Cursor / Claude Code、GitHub monorepo

「billing webhookバリデータはどこ?」を@なしで聞きたい → claude-context。ホスト選定はClaude Code代替案の上にMCPを足す形が多いです。

シナリオB — コンプライアンスair-gap

LlamaIndex+ローカルLanceDB/Chroma。claude-context既定は外部埋め込みAPIとMilvus前提 — オフライン埋め込みを明示設計してください。

シナリオC — OpenClaw / ECCの夜間スキャン

OpenClawマルチエージェントはトークンを増幅します。repoごと1インデックスを全Workerが共有する方が、各Workerがsrc/を再読するより効率的です。

シナリオD — 長スレッドでcontextがリセット

検索はチャット履歴を伸ばしませんがターン注入は縮めます。タスクごとに新セッション、chunkのみpin、2k行ファイルの再貼り付けを避けてください。ECCガイドも参照。

8ステップ並列Runbook

ステップ1〜4 — 共通準備

  1. ベースライン計測 — 1週間の「grep+全ファイル」支出を記録。
  2. パイロットrepoを1つ — まず単一サービス。
  3. ignoreルール — node_modules、dist、.git、生成protobuf除外。
  4. ベンチマーク質問3つ — auth、billing webhook、feature flag。

ステップ5〜8 — パスA:claude-context

  1. MCP登録;claude mcp listで確認。
  2. index_codebase;get_indexing_status完了まで待機。
  3. 「search_codeで:adminルートのCSRF無効化は?」 — 引用がchunkサイズか確認。
  4. そのターンのトークンをベースラインと比較。

ステップ5〜8 — パスB:LlamaIndex

  1. venvで pip install llama-index llama-index-embeddings-openai。
  2. persist_dir="./rag_index"で永続化。
  3. 20行CLIまたはFastAPIでquery_engineをラップ。
  4. 同じ3質問で品質と埋め込み明細を比較。

ローカルホスティング(任意)

インデックスはCPU+ディスク負荷が中心(API埋め込みならGPU不要)。常時稼働Mac 16GBでMilvus Lite級の中規模repo、Ollama併用なら24GB。M4メモリマトリクスでサイジング — 東京ノードのAPI中央値RTTは24ms(API遅延の参考のみ)。

トラブルシュート

search_codeが空

パス誤りまたは古いindex → 絶対パスでindex_codebase再実行、src/がignoreされていないか確認。

LlamaIndexが別パッケージを返す

monorepo混在 → MetadataFilter(key="file_path", value="packages/api")。

RAG後も高額

検索後も全ファイル読み → プロンプトで「chunkのみ、不足時のみ全ファイル」。

Node 24で失敗

上流はNode <24 → nvm use 22。

状況選択
Claude Code / Cursor、最速claude-context
ドキュメント+コード+チケット混合LlamaIndex
クラウドベクトルDBゼロLlamaIndex+ローカルDB
既存MCPclaude-contextを追加
200行単一ファイルどちらも不要

MCPホストでrepo検索が痛い → claude-context。カスタムコーパスが痛い → LlamaIndex。

FAQ

claude-contextはClaudeのプロジェクト知識と同じですか?

いいえ。別インデクサーで、ハイブリッドコード検索と増分同期があります。

LlamaIndexは置き換えになりますか?

コードQ&Aでは重複。LlamaIndexは広く自前運用向け、claude-contextはIDE統合向けです。

RAGは誤編集を直しますか?

いいえ。発見を改善します。テストとレビューは必須です。

再インデックス頻度は?

大規模マージ後、または活発なmainで週次が目安です。

中国本土のnpmは?

安定したリモート開発ボックス(SSH)でindexするパターンが多いです — OpenClawリモート設定と同様の考え方です。

関連ガイドを続ける

リポジトリ検索を試したら、リモートMac開発環境やM4メモリ選定の記事も参照できます — 技術リファレンスのみです。