jCodeMunch MCP 使用教程：让 Codex、Claude Code 少读废代码，降低 Token 消耗

Fri, 24 Jul 2026 10:23:00 +0800

使用 Codex、Claude Code 或 Cursor 编写项目时，你可能遇到过这样的情况：

明明只需要修改一个函数，AI 却读取了整个文件；
为了寻找一段代码，AI 连续扫描几十个文件；
项目越大，分析速度越慢；
代码还没改多少，上下文或使用额度却消耗了很多；
AI 读了大量无关代码，反而开始答非所问。

jcodemunch-mcp 正是为了解决这类问题而出现的。

它不会替代 Codex，也不是一个新的 AI 编程模型。它更像是给 AI 编程助手安装了一套“代码目录和精准检索系统”，让 AI 在分析项目时，不必每次都从头翻阅整个代码仓库。

本文将从零开始说明：

jCodeMunch MCP 是什么；
它有什么实际作用；
它是怎样减少 Token 消耗的；
哪些用户适合安装；
如何在 Windows、macOS 和 Linux 上安装；
如何连接 Codex CLI、Claude Code 和 Cursor；
安装后应该怎样使用；
常见问题及注意事项。

一、jCodeMunch MCP 是什么

jCodeMunch MCP 是一个面向 AI 编程助手的代码检索工具。

它会先扫描并建立项目索引，然后把代码中的内容拆分成更容易检索的结构，例如：

函数；
类；
方法；
常量；
导入关系；
文件结构；
类的继承关系；
某个函数被哪些地方调用；
修改某段代码可能影响哪些位置。

当 Codex 或 Claude Code 需要查找代码时，jCodeMunch 可以只返回真正相关的函数或类，而不是把整个文件全部发送给 AI。

项目官方将它定义为一个“本地优先的结构化代码检索系统”。它使用 tree-sitter 分析代码的抽象语法树，并通过 MCP 协议把检索能力提供给 Codex、Claude Code、Cursor 等工具。

简单理解：

普通方式是让 AI 一本一本地翻书；jCodeMunch 则先为所有书建立目录，让 AI 直接翻到需要的那一页。

二、MCP 又是什么

MCP 的全称是：

`1`	`Model Context Protocol`

中文可以理解为“模型上下文协议”。

它是一种让 AI 调用外部工具的标准接口。

例如，支持 MCP 的 AI 编程工具可以连接：

文件系统；
数据库；
GitHub；
浏览器；
搜索引擎；
项目管理工具；
代码索引工具。

jCodeMunch 本身就是一个 MCP Server，也就是“向 AI 提供代码检索能力的服务”。

安装完成后，大致关系如下：

Codex / Claude Code / Cursor
             ↓
          MCP 协议
             ↓
       jCodeMunch MCP
             ↓
      本地项目代码索引

你仍然是在 Codex 或 Claude Code 中提问，只是 AI 在需要寻找代码时，可以调用 jCodeMunch 提供的工具。

三、它解决了什么问题

1. 避免读取整个大文件

假设项目中有一个 700 行的文件，而你只需要修改其中一个 30 行的函数。

普通 AI 编程流程可能是：

读取整个 700 行文件
↓
从中寻找目标函数
↓
理解上下文
↓
修改其中 30 行

使用 jCodeMunch 后，可以变成：

搜索函数名称
↓
只取得目标函数的 30 行代码
↓
理解并修改

项目文档给出的典型示例是：编辑一个大文件中的单个函数时，可以从读取约 700 行缩小到读取约 30 行。不过实际节省程度取决于项目结构和具体任务。

2. 更快找到代码位置

当你问：

`1`	`用户登录验证写在哪里？`

普通方式可能会在整个项目里搜索：

login
auth
token
user
session

然后打开多个文件逐个判断。

jCodeMunch 可以直接从函数、类和方法的索引中寻找相关符号，例如：

AuthService.login
verifyToken
UserSession
authenticateRequest

这样返回的结果通常更加集中。

3. 帮助理解陌生项目

当你第一次接触一个 GitHub 项目时，经常不知道：

入口文件在哪里；
主要模块有哪些；
API 路由放在哪里；
数据库逻辑在哪一层；
某个类被哪些文件使用；
修改某个函数会影响什么。

jCodeMunch 可以先提供仓库结构、文件概要和符号列表，再按需要提取具体代码。

这比一开始就让 AI 阅读整个项目更加节省上下文。

4. 辅助重构和影响范围分析

除了查找函数，它还可以帮助 AI 分析：

`1`	`修改这个函数后，可能影响哪些调用位置？`

或者：

`1`	`这个类被哪些模块引用？`

项目提供了依赖关系、导入者、调用关系和影响范围等检索能力。这是普通文本搜索不容易直接完成的事情。

5. 减少无关代码干扰

上下文并不是越多越好。

当 AI 同时看到大量无关代码时，可能出现：

抓错重点；
混淆同名函数；
根据旧代码做出判断；
修改不相关文件；
输出内容牛头不对马嘴。

精确地提供少量相关代码，有时比一次性塞入整个仓库更有利于模型判断。

四、它真的能节省 95% Token 吗

jCodeMunch 项目宣传可以将代码探索过程中的 Token 消耗降低 95% 以上，并公开了一套基准测试。

在项目当前公开的测试中，作者使用 Express、FastAPI 和 Gin 三个代码仓库，执行了 15 次代码检索任务。测试比较了：

将仓库源代码全部读取；
先搜索符号，再读取最相关的三个符号。

该测试报告的平均 Token 降幅为 99.6%。

不过需要正确理解这个数字。

这项测试主要衡量的是：

“精准检索代码”与“读取全部源代码”之间的 Token 差异。

它并不直接代表：

你的 Codex 总额度一定减少 99.6%；
每次编程任务都能减少 99.6%；
AI 输出内容的 Token 也会同时减少；
最终答案质量一定提升；
所有类型的项目都能达到同样效果。

项目自己的测试方法也明确说明，它没有测量完整任务质量、总延迟或端到端完成效果，而且测试查询数量较少，不同项目的实际结果可能不同。

因此，更准确的说法是：

在大型、结构清晰的代码仓库中，当 AI 需要查找某个函数、类或模块时，jCodeMunch 有机会显著减少读取代码所消耗的上下文；但实际节省比例需要根据项目和任务判断。

五、哪些人适合使用

jCodeMunch 比较适合以下情况。

适合使用

经常使用 Codex CLI、Claude Code 或 Cursor；
项目中有很多文件；
单个代码文件比较长；
经常让 AI 分析陌生 GitHub 项目；
经常进行局部修改；
经常寻找函数、类、接口或调用关系；
使用额度有限，希望减少无关扫描；
需要在大型项目中进行重构；
同一个项目会被 AI 反复分析。

暂时没有必要使用

项目只有几个文件；
每个文件只有几十行；
只是偶尔让 AI 写一小段独立代码；
任务本身就必须阅读完整文件；
AI 主要用于写文章，而不是分析代码；
当前使用的客户端不支持 MCP。

例如，一个只有三个 HTML 文件的小网站，安装 jCodeMunch 的意义可能不大。

但对于 Next.js、Vue、Laravel、Django、WordPress 插件或包含大量模块的工具项目，它更容易发挥作用。

六、支持哪些语言和工具

根据项目当前说明，jCodeMunch 支持 70 多种语言，包括：

Python；
JavaScript；
TypeScript；
Go；
Rust；
Java；
C；
C++；
C#；
PHP；
Ruby；
Swift；
Kotlin。

它通过 tree-sitter 对这些语言进行代码结构分析。

支持的 MCP 客户端包括：

Codex CLI；
Claude Code；
Claude Desktop；
Cursor；
VS Code；
Continue；
Windsurf；
Cline；
Roo Code；
Gemini CLI；
Qwen Code；
其他支持 MCP 的客户端。

具体支持情况可能随着版本更新而变化，应以项目最新 README 为准。

七、安装前需要准备什么

建议先准备：

1
2
3

Python
终端工具
支持 MCP 的 AI 编程客户端

检查 Python

打开 PowerShell、Windows Terminal 或 macOS/Linux 终端，输入：

`1`	`python --version`

有些系统需要输入：

`1`	`python3 --version`

看到类似下面的结果，说明 Python 已经安装：

`1`	`Python 3.12.4`

然后检查 pip：

`1`	`pip --version`

或者：

`1`	`python -m pip --version`

如果提示找不到 python 或 pip，需要先安装 Python，并在安装时勾选：

`1`	`Add Python to PATH`

八、最简单的安装方法

官方目前提供了自动初始化命令。它可以尝试检测 Claude Code、Claude Desktop、Cursor、Windsurf 和 Continue，并自动写入对应配置。

打开终端，执行：

`1`	`pip install jcodemunch-mcp`

安装完成后执行：

`1`	`jcodemunch-mcp init`

程序会进入交互式设置流程，可能会询问：

要为哪些 MCP 客户端安装；
是否添加使用规则；
是否安装自动更新索引的 Hook；
是否立即索引当前项目；
是否检查 AI 配置中的 Token 浪费。

按照终端提示选择即可。

完成后，重新启动 Codex、Claude Code、Cursor 或对应编辑器。

先查看但不修改配置

担心自动初始化修改配置，可以先执行：

`1`	`jcodemunch-mcp init --dry-run`

它会显示准备进行哪些操作，但不会真正修改文件。

也可以运行演示模式：

`1`	`jcodemunch-mcp init --demo`

这两项功能适合第一次接触 MCP 的用户。

九、Windows 安装建议

Windows 用户可以在 PowerShell 中执行：

`1`	`python -m pip install -U jcodemunch-mcp`

安装后检查：

`1`	`jcodemunch-mcp --version`

如果能够看到版本号，继续执行：

`1`	`jcodemunch-mcp init`

提示“找不到 jcodemunch-mcp”

这是 Windows 上比较常见的问题，通常是 Python 的 Scripts 目录没有加入 PATH。

先执行：

`1`	`python -m jcodemunch_mcp --help`

如果这个命令可以运行，说明包已经安装，只是系统找不到独立的可执行文件。

可以在 MCP 配置中使用：

{
  "command": "python",
  "args": ["-m", "jcodemunch_mcp"]
}

也可以查找安装位置：

`1`	`where.exe jcodemunch-mcp`

如果仍然找不到，执行：

`1`	`python -m site --user-base`

输出目录下面通常会有一个 Scripts 文件夹，需要将该目录加入 Windows 的 PATH。

十、在 Claude Code 中安装

方法一：自动设置

执行：

1
2

pip install jcodemunch-mcp
jcodemunch-mcp init

初始化程序会尝试自动发现 Claude Code 并写入配置。

完成后重启 Claude Code，然后输入：

/mcp

查看是否出现：

`1`	`jcodemunch`

方法二：手动添加

如果已经使用 pip 安装，可以运行：

`1`	`claude mcp add -s user jcodemunch jcodemunch-mcp`

这里的：

-s user

表示把它安装到用户级别，而不是只在当前项目中使用。

如果采用 uvx，可以使用：

`1`	`claude mcp add -s user jcodemunch uvx jcodemunch-mcp`

项目文档提醒，若 Windows 无法找到程序，可以把命令替换为实际的 jcodemunch-mcp.exe 绝对路径。

十一、在 Cursor 中安装

最省事的方法仍然是：

1
2

pip install jcodemunch-mcp
jcodemunch-mcp init

如果自动识别失败，可以在 Cursor 的 MCP 配置中添加：

{
  "mcpServers": {
    "jcodemunch": {
      "command": "uvx",
      "args": ["jcodemunch-mcp"]
    }
  }
}

没有安装 uv，也可以使用 Python：

{
  "mcpServers": {
    "jcodemunch": {
      "command": "python",
      "args": ["-m", "jcodemunch_mcp"]
    }
  }
}

保存后彻底关闭并重新打开 Cursor。

注意，不只是关闭项目窗口，而是要完全退出 Cursor 进程后重新启动。

十二、在 Codex CLI 中安装

Codex CLI 的配置方式和 Cursor 不同。

Codex 使用的是 TOML 配置文件，通常位于：

`1`	`~/.codex/config.toml`

Windows 中一般对应：

`1`	`C:\Users\你的用户名\.codex\config.toml`

推荐方法：使用独立虚拟环境

项目当前文档建议 Codex CLI 不要在首次连接时直接使用 uvx，因为首次运行产生的安装输出有可能干扰 MCP 的 JSON-RPC 握手。更稳妥的方式是先把 jCodeMunch 安装到虚拟环境，再让 Codex 直接调用可执行文件。

macOS 或 Linux

进入准备使用的目录：

`1`	`python3 -m venv .venv`

安装：

`1`	`.venv/bin/pip install -U jcodemunch-mcp`

测试：

`1`	`.venv/bin/jcodemunch-mcp --help`

然后编辑：

`1`	`~/.codex/config.toml`

加入：

1
2

[mcp_servers.jcodemunch]
command = "/你的绝对路径/.venv/bin/jcodemunch-mcp"

这里一定要使用真实的绝对路径，不要直接照抄示例。

Windows

在 PowerShell 中创建虚拟环境：

`1`	`python -m venv C:\Tools\jcodemunch-venv`

安装：

`1`	`C:\Tools\jcodemunch-venv\Scripts\python.exe -m pip install -U jcodemunch-mcp`

测试：

`1`	`C:\Tools\jcodemunch-venv\Scripts\jcodemunch-mcp.exe --help`

然后打开：

`1`	`C:\Users\你的用户名\.codex\config.toml`

加入：

1
2

[mcp_servers.jcodemunch]
command = "C:\\Tools\\jcodemunch-venv\\Scripts\\jcodemunch-mcp.exe"

TOML 中的 Windows 路径建议使用双反斜杠：

\\

保存配置后，彻底关闭 Codex CLI，再重新启动。

简单但不优先推荐的 Codex 配置

部分环境也可以使用：

1
2
3

[mcp_servers.jcodemunch]
command = "uvx"
args = ["jcodemunch-mcp"]

但根据项目当前说明，Codex 对 MCP 启动时的标准输出比较严格，因此预先安装并指向真实可执行文件通常更加稳定。

十三、安装完成后如何建立项目索引

只连接 MCP 还不够，jCodeMunch 必须先知道你要分析哪个项目。

最简单的方法是进入项目目录：

`1`	`cd 你的项目目录`

然后在 Codex 或 Claude Code 中提出：

`1`	`请使用 jCodeMunch 检查当前项目是否已经建立索引。如果没有，请为当前项目建立索引。`

也可以要求它先解析当前目录：

`1`	`请先使用 resolve_repo 识别当前项目。如果项目尚未建立索引，请调用 index_folder。`

如果初始化时选择了：

`1`	`Index current project`

当前项目可能已经建立了索引。

索引的作用

第一次建立索引时，jCodeMunch 会：

扫描项目文件；
识别代码语言；
使用 tree-sitter 解析代码；
提取函数、类、方法等符号；
保存文件结构和代码位置；
建立可供 AI 查询的本地索引。

之后再次查询相同项目时，不必重新从头解析全部内容。

十四、如何确认它已经正常工作

可以在 AI 编程工具中输入：

`1`	`请使用 jCodeMunch 显示当前项目的仓库概要。`

或者：

`1`	`请使用 jCodeMunch 列出当前项目的主要目录、模块、类和函数。`

还可以测试：

`1`	`请使用 search_symbols 查找项目中的登录验证函数，不要使用普通的全文文件扫描。`

能够返回结构化的函数、类或文件结果，说明它已经工作。

在 Claude Code 中，还可以输入：

/mcp

确认 jcodemunch 状态是否为已连接。

十五、安装后一定要告诉 AI 使用它

这是最容易被忽略的一步。

MCP 安装成功，只代表 AI“可以使用”jCodeMunch，并不代表 AI“每次都会主动使用”。

很多 AI 编程助手仍然可能优先使用自己的：

Read；
Grep；
Glob；
Bash；
全文件扫描。

项目文档也明确提醒，如果没有添加使用规则，AI 可能继续使用原生文件工具，而不调用 jCodeMunch。

可以在项目的 AGENTS.md、CLAUDE.md 或其他项目指令文件中加入：

## Code Exploration Policy

分析、搜索或理解项目代码时，优先使用 jCodeMunch MCP。

- 查找函数、类或方法时，优先使用 search_symbols。
- 查看文件结构时，优先使用 get_file_outline。
- 查看项目结构时，优先使用 get_repo_outline 或 get_file_tree。
- 修改具体函数前，优先使用 get_symbol_source 获取目标代码。
- 只有在确实需要完整文件上下文时，才读取整个文件。
- 如果项目尚未建立索引，先使用 resolve_repo 和 index_folder。

如果是 Codex，可以把类似规则写入项目根目录的：

`1`	`AGENTS.md`

这样 Codex 每次进入项目时，都更容易遵守这套代码检索方式。

还可以直接在对话中说：

`1`	`本次任务必须优先使用 jCodeMunch 搜索符号和读取目标代码，不要一开始就扫描整个项目。`

十六、推荐的实际使用提示词

1. 第一次了解项目

`1`	`请先使用 jCodeMunch 获取项目概要、主要目录和核心模块，不要直接读取所有文件。然后用小白能够理解的语言说明这个项目是怎样运行的。`

2. 查找功能位置

`1`	`请使用 jCodeMunch 查找用户登录、Token 验证和权限检查相关的函数或类，并告诉我它们分别位于哪些文件中。`

3. 修改一个函数

`1`	`请使用 jCodeMunch 查找负责文件上传的函数，只读取目标函数及必要的调用上下文。确认影响范围后再修改，不要扫描无关文件。`

4. 分析报错

`1`	`请根据下面的报错信息，使用 jCodeMunch 查找相关符号、调用方和异常处理逻辑，然后判断最可能的问题位置。`

5. 分析修改影响

`1`	`请使用 jCodeMunch 分析修改 UserService.updateProfile 后可能影响的调用位置、接口和测试文件。`

6. 接手陌生 GitHub 项目

`1`	`请使用 jCodeMunch 为这个项目建立索引，然后依次说明项目入口、目录结构、核心模块、数据流和运行方法。不要一次读取整个仓库。`

十七、代码修改后索引会不会过期

会。

如果文件内容已经修改，但索引仍然保留旧版本，AI 可能检索到过期代码。

jcodemunch-mcp init 可以选择安装自动化 Hook，例如：

修改文件后自动重新索引；
在读取大文件前提醒使用精准检索；
在上下文压缩前保存会话信息。

这些功能在 Claude Code 中支持得相对完整。自动初始化程序也可以选择索引当前项目和安装相关 Hook。

对于没有对应 Hook 的编辑器，可以：

使用 VS Code 扩展进行保存后重新索引；
修改重要文件后让 AI 重新索引；
重新运行项目索引命令；
在开始新任务前检查索引是否过期。

项目本身也支持增量索引，不一定每次都需要完整扫描整个仓库。

十八、是否需要 API Key

基础代码索引和符号检索不一定需要 AI API Key。

不配置额外模型时，jCodeMunch 仍然可以根据：

函数签名；
类名称；
方法名称；
文件位置；
代码结构；

生成基础索引。

如果需要更强的语义搜索或 AI 生成摘要，可以安装额外组件。

本地语义搜索

`1`	`pip install "jcodemunch-mcp[local-embed]"`

然后下载本地模型：

`1`	`jcodemunch-mcp download-model`

根据项目文档，该模型下载大小约为 23MB，首次下载后可以在本地运行，不需要每次调用网络 API。

OpenAI 兼容摘要

`1`	`pip install "jcodemunch-mcp[openai]"`

Claude 摘要

`1`	`pip install "jcodemunch-mcp[anthropic]"`

Gemini 摘要

`1`	`pip install "jcodemunch-mcp[gemini]"`

这些属于增强功能，不是第一次安装必须完成的步骤。

对于小白，建议先只安装基础版本：

`1`	`pip install jcodemunch-mcp`

确认基础功能正常后，再考虑语义搜索和 AI 摘要。

十九、隐私和代码安全

jCodeMunch 采用“本地优先”架构，索引和代码缓存主要保存在本地。项目架构文档表示，它会保存符号元数据、原始文件缓存和代码字节位置，以便进行精准提取。

但需要注意：

安装第三方工具前，应自行检查项目代码和许可证；
如果启用了 OpenAI、Claude 或 Gemini 摘要，相关代码摘要可能会发送给对应 API；
本地嵌入模式下载模型后可以在本机推理；
不要把 API Key 直接提交到 GitHub；
公司机密项目应先确认企业安全政策；
不要轻易安装不需要的全部扩展依赖。

项目配置文档显示，基础包不会自动引入远程 AI 服务；启用不同的扩展后，才可能连接 Anthropic、Google 或 OpenAI 等外部服务。

二十、许可证需要特别注意

jCodeMunch 并不是传统意义上完全不受限制的 MIT 开源项目。

项目当前采用自己的双用途许可证：

个人、非商业用途免费；
商业用途需要购买许可证；
不能随意改名、重新包装并发布到公共软件包仓库；
修改和再分发时还需要遵守项目许可证中的其他条件。

因此：

个人学习、个人项目可以按照许可证免费使用；
用于公司业务、收费项目或商业开发前，应阅读完整许可证；
不要只看到 GitHub 仓库是公开的，就默认可以无限制商业使用。

许可证条款可能变化，正式商用前应以仓库中的最新 LICENSE 文件为准。

二十一、常见问题

1. 安装后 AI 还是一直读取完整文件

原因通常不是安装失败，而是 AI 没有被要求使用它。

处理方法：

在 AGENTS.md 或 CLAUDE.md 中添加使用规则；
在提示词中明确要求优先调用 jCodeMunch；
检查 MCP 是否处于连接状态；
确认当前项目已经建立索引。

2. 提示 `jcodemunch-mcp is not recognized`

说明系统找不到可执行文件。

先试：

`1`	`python -m jcodemunch_mcp --help`

然后将 MCP 配置改为：

{
  "command": "python",
  "args": ["-m", "jcodemunch_mcp"]
}

或者查找 jcodemunch-mcp.exe 的真实路径并使用绝对路径。

3. Codex 启动时卡住

不要优先使用首次运行的 uvx。

先把 jCodeMunch 安装到固定虚拟环境，再让：

`1`	`~/.codex/config.toml`

直接指向 jcodemunch-mcp 可执行文件。

这是该项目当前针对 Codex CLI 给出的推荐配置。

4. 建立索引后代码更新了怎么办

让 jCodeMunch重新索引修改过的文件，或者安装自动重新索引 Hook。

5. 小项目有必要安装吗

通常没有必要。

jCodeMunch 的优势主要体现在：

大文件；
多文件；
陌生项目；
频繁查找；
局部修改；
重构分析。

6. 它能增加 Codex 额度吗

不能。

它不会：

修改 Codex 订阅；
增加账户额度；
绕过使用限制；
改变 OpenAI 的计费规则。

它只是尽量减少 AI 在读取和查找代码时产生的无效上下文。

7. 它能保证 AI 不犯错吗

不能。

它改善的是代码检索方式，不是模型本身的推理能力。

AI 仍然可能：

理解错误；
修改错误；
漏掉调用关系；
生成存在漏洞的代码。

重要修改仍应执行：

代码审查
单元测试
构建测试
实际运行验证
Git 版本控制

二十二、如何卸载

使用 pip 安装的，可以执行：

`1`	`pip uninstall jcodemunch-mcp`

然后删除对应客户端中的 MCP 配置。

例如 Codex 的：

`1`	`[mcp_servers.jcodemunch]`

Cursor 或 Claude Desktop 配置中的：

"jcodemunch": {
  "command": "...",
  "args": [...]
}

如果创建了单独的虚拟环境，也可以直接删除该虚拟环境目录。

注意，不要误删整个 Codex、Cursor 或 Claude 的配置文件，只删除 jCodeMunch 对应的配置块。

二十三、是否值得安装

我的判断是：

jCodeMunch MCP 不是所有用户都必须安装，但对于经常使用 Codex、Claude Code 或 Cursor 分析中大型项目的人，它是一个值得尝试的代码上下文优化工具。

它真正的价值，不是让 AI“变得更聪明”，而是让 AI：

少读无关文件；
更快找到目标函数；
只提取必要代码；
更清楚地理解项目结构；
在有限上下文中保留更多有效信息。

对于只有几个文件的小项目，提升可能不明显。

对于包含大量源码、模块和依赖关系的项目，它可能显著改善代码探索过程。

最稳妥的使用方式是：

先安装基础版本
↓
连接一个 MCP 客户端
↓
为一个真实项目建立索引
↓
明确要求 AI 优先使用符号检索
↓
观察 Token、速度和回答质量
↓
再决定是否长期使用

不要只看项目宣传的节省比例，更应该根据自己的项目实际测试。

最小安装流程总结

普通用户

1
2

pip install jcodemunch-mcp
jcodemunch-mcp init

重新启动 AI 编程客户端，然后让它：

`1`	`使用 jCodeMunch 检查并索引当前项目。`

Codex CLI 用户

创建固定虚拟环境：

`1`	`python -m venv .venv`

安装：

`1`	`.venv/bin/pip install -U jcodemunch-mcp`

在 Windows 中对应：

`1`	`.venv\Scripts\python.exe -m pip install -U jcodemunch-mcp`

然后在：

`1`	`~/.codex/config.toml`

中加入：

1
2

[mcp_servers.jcodemunch]
command = "/jcodemunch-mcp可执行文件的绝对路径"

最后，在项目根目录的 AGENTS.md 中加入：

`1`	`分析项目代码时优先使用 jCodeMunch MCP。先搜索符号和文件概要，只在确实需要完整上下文时读取整个文件。`

项目地址：https://github.com/jgravelle/jcodemunch-mcp

完成这些步骤后，jCodeMunch 才算真正融入 Codex 的日常代码分析流程。

Token on 拾光集