semble 是 MinishLab 给 AI agent 做的代码搜索库：用自家的 model2vec 静态嵌入，对整个代码库端到端索引 + 检索不到一秒、全程 CPU 无需 API key/GPU/外部服务，agent 用自然语言或符号名查询即拿回最相关的代码片段，比 grep+read 省约 98% token；可作为 MCP server 接 Claude Code/Cursor/Codex/OpenCode，也可经 CLI / AGENTS.md 在 shell 调用。
来源：README 首段 + Main Features + pyproject（model2vec） 查看 GitHub 仓库 →agent 找代码的默认方式是 grep + read 整个文件，token 开销大、还经常读进一堆无关内容。semble 用 MinishLab 的 model2vec 静态嵌入把语义代码搜索做到「快到离谱又便宜」：索引平均仓库 ~250ms、查询 ~1.5ms，比 code-specialized transformer 索引快 ~200x、查询快 ~10x，却保持 99% 的检索质量（NDCG@10 0.854），而且全在 CPU 上跑、零 API key/GPU/外部服务。对 agent 的直接价值是 ~98% 的 token 节省——只回相关片段而非整文件。再加上 MCP server 一行接入主流 agent、本地路径自动监听重索引、支持远程 git URL 按需克隆，是「为 agent 优化的代码检索」这条线上罕见地把速度、成本、质量三者同时拿下的实现。MinishLab 作为静态嵌入（model2vec/Potion）的提出团队，技术可信度也高。
来源：README 首段 + Main Features + Benchmarks核心用 MinishLab 自家的 model2vec 静态嵌入对代码分块做向量检索。相比 code-specialized transformer，静态嵌入推理是查表式的、无需逐 token 前向，因此索引快 ~200x、查询快 ~10x，却保持 99% 检索质量（NDCG@10 0.854）。全程 CPU、依赖只有 model2vec + numpy，极轻。
来源：README 首段 / Main Features / How it works + pyproject depsagent 用自然语言（如「认证是怎么处理的？」）或符号/标识符查询，semble 只返回匹配的代码 chunk 而非整文件，相比 grep 命中后再 read 整文件，token 开销降约 98%。这是它面向 agent 的核心价值主张，benchmark 有量化。
来源：README 首段 / Code Search / Benchmarksclaude mcp add semble -s user -- uvx --from "semble[mcp]" semble 即接入；支持 Claude Code、Cursor、Codex、OpenCode、VS Code 等任意 MCP 兼容 agent。仓库按需克隆并索引、index 在 session 生命周期内缓存、本地路径自动监听文件变更并重索引。
来源：README MCP Server / Setupsemble search 直接在 shell 按描述或符号名搜（替代 grep），semble index 索引本地目录或远程 git 仓库，semble similar 找与某结果相似的代码。可写进 AGENTS.md 让任意 agent（含不能直接调 MCP 的 sub-agent）经 bash 调用；推荐工作流是「先 semble 语义搜，grep 只用于穷举字面匹配」。
来源：README Bash / AGENTS.md / CLI / Workflow传本地路径或 git URL 都行，远程仓库按需克隆；本地路径被 watch、文件变更自动重新索引保持新鲜；index 缓存复用。end-to-end 索引+搜索整库不到一秒。
来源：README Main Features / MCP Serverbenchmarks/ 目录（94 文件）给出与 code-specialized transformer 的对比（速度 200x/10x、质量 99%、NDCG@10 0.854、token 节省 98%）。带 CITATION.cff 可引用、codecov 覆盖率、pre-commit、Makefile，工程规范。
来源：README Benchmarks + benchmarks/ 目录 + CITATION.cffsemble 是个聚焦、轻量的 Python 包，src/（35 文件）实现核心：用 model2vec 静态嵌入把代码分块编码成向量、建索引、做最近邻检索，再把命中 chunk（带文件位置）返回。依赖极轻——只有 model2vec + numpy，没有重型 transformer 或向量数据库服务，索引和检索都在内存/本地 CPU 完成，这是「~250ms 索引、~1.5ms 查询、全 CPU」的根本原因。对外有三种接口：MCP server（semble[mcp] extra，给 agent 用，仓库按需克隆+索引+缓存+本地路径 watch 自动重索引）、CLI（semble search/index/similar）、以及写进 AGENTS.md 经 bash 调用（覆盖不能直接调 MCP 的 sub-agent）。benchmarks/（94 文件）是与 transformer 模型对比的完整评测床。设计判断：把「静态嵌入」这个 MinishLab 的看家技术用到代码搜索，是一个非常聪明的取舍——牺牲一点点检索质量（99% vs transformer）换来 200x 索引和 10x 查询提速 + 纯 CPU + 零依赖，恰好契合 agent 高频、低延迟、低成本检索的需求。代价是静态嵌入对深层语义/跨文件推理的理解上限低于大模型嵌入，对「需要真正理解代码意图」的复杂查询可能不如重型方案。
来源：src/ + pyproject deps + README How it works / Benchmarks中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
model2vec ≥0.4numpyuvx / uvMCP（Model Context Protocol）— agent 接入1. 给 agent 装语义代码搜索：让 Claude Code/Cursor/Codex 经 MCP 用自然语言查代码，只拿回相关片段，省 token 又快；2. 大代码库导航：对陌生大仓库用 semble search 按「做什么」找代码，而非 grep 关键词碰运气；3. sub-agent 检索：sub-agent 不能直接调 MCP，写进 AGENTS.md 经 bash 用 semble；4. 离线/隐私场景：全 CPU 本地跑、无 API key/外部服务，代码不出本机；5. 找相似实现/重复代码：semble similar 找与某位置相似的代码做重构或参考；6. 远程仓库速查：传 git URL 按需克隆索引，临时查第三方库实现。
来源：README Code Search / Workflow / MCP Server / CLIv0.2.0（2026-05-21）。最近 4 个 release：v0.1.8 (2026-05-18) → v0.1.9 (2026-05-19) → v0.1.10 (2026-05-19) → v0.2.0 (2026-05-21），近期高频迭代。仓库 2026-04-06 创建，仍处 0.x 早期但发版活跃。
来源：GitHub Releases API（4 个 tag）+ repo created_at如果你想给 agent 装一个又快又省 token 的代码搜索，semble 是目前性价比最高的选择之一：静态嵌入带来 200x 索引/10x 查询提速、纯 CPU 零依赖、~98% token 节省，MCP 一行接入主流 agent。务实建议：1) 直接用 MCP 接 Claude Code/Cursor 体验「自然语言查代码只回相关片段」，对大仓库导航和省 token 立竿见影；2) 按 README 工作流——先 semble 语义搜、grep 只用于穷举字面匹配，两者互补别替代；3) 它用速度换了一点质量（99% vs transformer），意图复杂的查询若召回不理想，回退到更重的语义检索或人工 grep；4) benchmark 数字是其自有数据集上的，对你的语言/代码库自测一遍再下结论；5) sub-agent 用不了 MCP，记得走 AGENTS.md + bash 那条路；6) 0.x 早期版本、API 可能变，但 MinishLab 是静态嵌入正主、技术底子可信，可以放心试。
来源：综合分析