1. 为什么 Continue 在本地代码库里特别费 tokens如果你在 VS Code 里用 Continue 做代码问答大概率遇到过这种情况问一句「这个模块是干嘛的」Continue 会先扫一遍工作区把一堆文件塞进上下文然后才回答。项目小的时候没感觉一旦代码库上到几百个文件每次提问的 prompt 里光「背景资料」就占掉几千甚至上万 tokens。补全还没开始额度先烧掉一半。问题的根源在于Continue 默认的检索方式是「按需读文件」。它不知道你的代码结构只能靠关键词匹配或让模型自己决定读哪些文件。模型读得越多上下文越长tokens 消耗越大而且读进来的内容里很多是无关的。Graphify 解决的就是这个问题。它先把整个代码库解析成一张知识图谱——节点是函数、类、文件边是调用、引用、包含关系——然后以 MCP 工具的形式暴露给 Continue。Continue 不再需要「读文件猜结构」而是直接查图谱问某个模块有哪些函数调一次get_community就拿到结构化结果不用把源码全文塞进 prompt。这篇要交付的是一套可复制的配置骨架VS Code Continue 接入 Graphify MCP统一走 TaoToken 的 Key/API 通道最后给出 tokens 用量前后对比的验证方法。适合已经在用 Continue、但觉得上下文开销偏大的本地开发场景。2. 前置准备TaoToken 通道与 Graphify 安装2.1 为什么统一走 TaoTokenContinue 支持多种 provider但如果你同时用 chat、edit、apply 多个角色每个角色配一个 Key 会很乱。TaoToken 提供 OpenAI 兼容的统一入口一个 Key 覆盖多个模型Continue 里只需要配一次apiBase和apiKey。这样 Graphify 的图谱查询和 Continue 的对话补全走同一条通道排查问题时也少一个变量。先去控制台拿 Keyhttps://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewriteKey 的创建入口在 API Keys 页面https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewriteAPI 基础地址是https://taotoken.net/api注意这个地址不带 UTM 参数直接填进配置里。2.2 安装 GraphifyGraphify 通过 pip 安装建议单独建一个虚拟环境避免和项目依赖打架python -m venv ~/.venvs/graphify source ~/.venvs/graphify/bin/activate pip install graphifyy -i https://pypi.tuna.tsinghua.edu.cn/simple装完后确认命令可用graphify --version如果提示找不到命令检查虚拟环境的bin目录是否在 PATH 里。我习惯用绝对路径调用后面 MCP 配置里也会写绝对路径这样不依赖 shell 环境。2.3 在项目里构建图谱切到你的项目根目录用--code-only模式构建。这个模式只解析代码文件跳过文档和图片构建过程本身不消耗 LLM tokenscd /path/to/your-project graphify . --code-only输出大概长这样[graphify extract] --code-only: skipping 3 non-code file(s) [graphify extract] found 51 code, 0 docs, 0 papers, 0 images [graphify extract] AST extraction on 51 code files... [graphify extract] wrote graphify-out/graph.json: 370 nodes, 839 edges, 18 communities [graphify extract] next: run graphify cluster-only to generate GRAPH_REPORT.md接着跑聚类生成可读的报告graphify cluster-only /path/to/your-project这一步会输出GRAPH_REPORT.md、graph.json和graph.html。graph.html可以直接用浏览器打开看看社区划分是否合理。如果某些明显相关的模块被拆散了说明图谱粒度需要调整但大多数情况下默认参数够用。3. 可复制配置Continue 的 settings.json 与 MCP 注册3.1 Continue 的模型配置Continue 的配置文件在~/.continue/config.json旧版或~/.continue/config.yaml新版。这里用 YAML 格式结构更清晰。核心是把 provider 设为openaiapiBase指向 TaoTokenmodels: - name: TaoToken Chat provider: openai model: deepseek-v3.1 apiBase: https://taotoken.net/api/v1 apiKey: sk-你的Key roles: - chat - edit - apply几个字段说明一下。provider必须是openai这是走 OpenAI 兼容协议的关键。apiBase末尾的/v1不能省Continue 会在这个基础上拼/chat/completions。model填你在 TaoToken 上确认可用的模型名。roles里把 chat、edit、apply 都挂上这样补全和对话走同一个模型行为一致。如果你想让补全用更便宜的模型、对话用更强的模型可以拆成两个条目各自指定 roles。但注意 Graphify 的 MCP 工具调用需要模型支持 function calling选模型时确认一下。3.2 注册 Graphify MCP Server在项目根目录创建 MCP 配置目录mkdir -p .continue/mcpServers/然后新建.continue/mcpServers/graphify.yamlname: Graphify MCP version: 0.0.1 schema: v1 mcpServers: - name: graphify command: /Users/you/.venvs/graphify/bin/python args: - -m - graphify.serve - graphify-out/graph.json env: {} type: stdiocommand写虚拟环境里 python 的绝对路径args里graphify-out/graph.json是相对于项目根目录的路径。如果你在别的目录启动 VS Code这个相对路径会失效所以建议用绝对路径args: - -m - graphify.serve - /path/to/your-project/graphify-out/graph.json保存后重启 VS Code打开 Continue 面板。如果配置生效在 MCP 工具列表里能看到graphify以及它暴露的 tools比如get_community、search_nodes之类。3.3 一个容易忽略的细节Continue 加载 MCP 配置的时机是启动时。如果你先开了 VS Code 再改配置必须完全退出重开光 reload window 有时候不生效。另外.continue/mcpServers/目录是项目级的如果你有多个项目每个项目都要放一份配置或者放到用户级目录~/.continue/mcpServers/做全局注册。全局注册的话graph.json路径就得用绝对路径否则会指向错误的位置。4. 验证请求确认 MCP 工具真的在省 tokens4.1 先验证模型通道在 Continue 对话框里发一句简单的话比如「用一句话说明这个项目是做什么的」。如果模型正常回复说明 TaoToken 通道没问题。如果报 401检查 Key 是否复制完整如果报 404检查apiBase末尾的/v1有没有漏。4.2 验证 Graphify MCP 调用在 Continue 的 agent 模式下发一个需要图谱查询的问题通过图谱总结这个项目有哪些模块。正常情况下Continue 会调用 Graphify 的 MCP 工具而不是去读源码文件。你可以在 Continue 的执行日志里看到类似这样的记录Continue used the graphify mcp server get_community tool Continue used the graphify mcp server get_community tool ... Performed 13 actions这说明 Continue 在通过图谱查询获取结构信息而不是把源码全文塞进上下文。13 次工具调用听起来多但每次返回的是结构化的社区摘要token 量远小于读 51 个源码文件。4.3 tokens 用量对比这是最关键的一步。Continue 在每次对话后会显示本次消耗的 tokens 数在回复下方或侧边栏。做两组对比第一组不启用 Graphify MCP直接问「这个项目有哪些模块」。Continue 会走默认的文件检索记录 tokens 消耗。第二组启用 Graphify MCP问同样的问题。记录 tokens 消耗。在 phoenix-2.0 这个测试项目上51 个代码文件370 节点实测下来第二组的 prompt tokens 大约是第一组的三分之一到四分之一。项目越大差距越明显。因为默认检索的 token 消耗和文件数量近似线性增长而图谱查询的返回量基本恒定——你查的是社区摘要不是源码。如果你想更精确地量化可以在 TaoToken 控制台的用量页面看每次请求的 token 明细。把两次请求的prompt_tokens对比一下数字很直观。5. 本篇常见错排查5.1 MCP 工具列表为空最常见的原因是command路径写错。用which python确认虚拟环境里的 python 绝对路径别用python3这种依赖 PATH 的写法。另一个原因是graph.json路径不对MCP server 启动时找不到文件会静默失败。可以在终端手动跑一遍/Users/you/.venvs/graphify/bin/python -m graphify.serve /path/to/graph.json如果这条命令报错MCP 里也好不了。5.2 报错Method not foundContinue 加载 Graphify MCP 时可能提示Error loading resource templates for MCP Server graphify: MCP error -32601: Method not found这个错误可以忽略。Graphify 的 MCP server 没有实现 resource templates 接口Continue 探测时会报这个但不影响 tools 的正常调用。只要工具列表里有get_community之类的条目就能用。5.3 模型不调用 MCP 工具如果 Continue 收到问题后直接读文件而不是调 Graphify可能是模型不支持 function calling或者 Continue 的 agent 模式没开。确认两点一是roles里包含了chat二是你在 agent 模式不是普通 chat 模式下发问。另外问题描述里明确提到「通过图谱」能提高模型选择 MCP 工具的概率。5.4 图谱构建后节点数异常少如果graph.json里节点数只有个位数检查--code-only是否跳过了太多文件。有些项目的代码文件扩展名不在 Graphify 的识别列表里比如.cu、.proto。这种情况需要看构建日志里not classified的文件列表确认是否有重要代码被跳过。必要时可以不用--code-only但那样会引入 LLM 提取消耗 tokens。5.5 tokens 没降反升如果启用 Graphify 后 tokens 反而多了检查是不是模型在反复调用 MCP 工具。有些模型会为了「确认」而多次查询同一个社区。可以在 Continue 的配置里限制单次对话的最大工具调用次数或者换一个工具调用更克制的模型。另外图谱的社区划分如果太细比如 100 个社区模型可能需要查很多次才能拼出全貌这时候调整聚类参数、合并小社区会有帮助。6. 把通道和工具串起来整套配置的核心思路是TaoToken 提供统一的模型通道Continue 作为前端Graphify 作为结构化的代码知识来源。三者串起来之后Continue 不再靠「读文件」来理解项目而是靠「查图谱」来获取结构信息。这个转变带来的 tokens 节约在代码库越大时越明显。如果你还没配 TaoToken 的 Key可以从模型对话页面先试一下通道是否通https://taotoken.net/model-chat?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite需要长期在 VS Code 里做编码和 Agent 任务的可以看 Coding Planhttps://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite接入过程中遇到配置问题文档里有各客户端的完整示例https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite如果你用的是 Claude Code 这类 Anthropic 协议的工具接入方式略有不同参考https://taotoken.net/claude-code-anthropic?utm_sourcetaotoken_aicg_blog_endutm_contentclaude-code-anthropicutm_campaignrewrite配置骨架就这些。真正跑起来之后建议先在一个中等规模的项目上验证 tokens 对比确认效果符合预期再推到主力项目上。图谱构建是一次性的后续代码有变动时重新跑一遍graphify . --code-only就行增量更新很快。