大規模リポジトリのコンテキスト制御:claude-context vs RAG 2026
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DB | Milvus / Zilliz Cloud | Chroma、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 chunks | 3k〜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2k | RAG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
- ベースライン計測 — 1週間の「grep+全ファイル」支出を記録。
- パイロットrepoを1つ — まず単一サービス。
- ignoreルール —
node_modules、dist、.git、生成protobuf除外。 - 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
- MCP登録;
claude mcp listで確認。 index_codebase;get_indexing_status完了まで待機。- 「search_codeで:adminルートのCSRF無効化は?」 — 引用がchunkサイズか確認。
- 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
- venvで
pip install llama-index llama-index-embeddings-openai。 persist_dir="./rag_index"で永続化。- 20行CLIまたはFastAPIで
query_engineをラップ。 - 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。
推奨パス
| 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MCP | claude-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。