Rigel 是一个基础设施项目，旨在帮助 AI Coding Agent 在处理大型代码仓库时，更加精准、快速地完成代码的阅读与语义理解。本项目通过梳理离散的代码实体与架构关系，将其结构化并组织为代码知识图谱，同时提供标准的检索能力，以确保 AI Agent 能够在完整的上下文中执行推演与生成任务。
在分析大型代码仓库的常规实践中，单纯依赖代码切片与文本降维（向量化存储）输入给大语言模型，往往会因上下文截断而导致模型产生推断“幻觉”或引用错误。Rigel 的核心目标是：构建一套机制，将代码客观存在的结构拓扑与逻辑依赖，以高保真且高效的方式传递给大语言模型。
当前仓库主线规划中的目标技术路径包括：
- 高精度 AST 提取：利用 Tree-sitter 建立源码结构骨架，当前 Rust 端已接入
tree-sitter与tree-sitter-java依赖，并保留 Java 解析入口占位。 - 深层语义网络构建：以跨文件符号关系抽取为后续重点方向；当前仓库仅保留设计文档与实验环境，尚未在 Rust 主链路中落地完整语义提取。
- 图检索与 MCP 服务化：目标是基于 FalkorDB 和 MCP 提供检索服务；当前 Rust 端已建立模块骨架，但图存储、LLM 与 MCP 仍处于占位实现阶段。
- 核心开发语言: Rust（保障复杂语法树遍历及内存安全性）
- 语法树解析: Tree-sitter
- 底层图数据库: FalkorDB
- 模型交互协议: MCP Server
Important
项目目前处于迭代阶段，各项规划与功能设计随时可能发生变动。请注意：系统中只有被正式收录进入 docs/adr/ 目录下的架构决策记录 (ADR) 才是基准。其他设计及其余选型可能随迭代演进而更新。