FollowSkills CLAUDE AGENT SKILLS 目录
首页 / 全部 Skills / Vexor 语义代码搜索
开发与工程

Vexor 语义代码搜索

按意图而非精确文本查找文件——在大型仓库中快速定位某个功能在哪里实现、加载或定义。

60/ 100
推荐

整体可靠，存在已披露的局限；按说明试用并保留回滚路径。

查看评分依据 ↓
可直接使用于
Codex · Claude Code
Star 数
★ 244
最近更新
23 天前
License
MIT
快速开始 ↓ 在 GitHub 查看此 Skill ↗
semantic-searchcode-searchembeddingscli
+3mcp-servervector-indexfile-discovery

这个 Skill 能做什么，适合哪些场景？

Vexor 是一个面向文件和代码的语义搜索引擎，通过可复用的向量索引，让你按“文件做什么”来查找，而无需记住文件名或路径。它提供 CLI、Python API 和 MCP 服务器三种形态，支持可配置的 embedding 与重排序提供商，也能完全离线使用本地模型。仓库自带一个面向 AI 编码助手的 Agent Skill（vexor-cli），教 Claude Code、Codex 等具备 shell 能力的代理用完整 CLI 进行语义文件发现。项目采用 MIT 许可，Python 3.10+，可经 pip 安装或直接下载独立二进制。

将仓库文件按所选模式（name/head/brief/code/outline/full 等）分块并生成向量索引，缓存于内存或 .vexor/ 目录；接收自然语言查询，返回按相似度排序的文件路径、行号和片段预览，--content 或 --format 可直接输出匹配的源码文本。首次搜索会自动建索引，也可用 vexor index 显式预热。支持 gitignore 规则、.vexorignore、扩展名过滤、排除模式等，配置通过 ~/.vexor/config.（全局）和项目内 .vexor/config.（受限字段）管理。

适合
  • 开发者在大中型仓库中忘记某功能的位置，想用一句描述（如“JWT 校验在哪里”）直接找到实现文件。
  • Claude Code / Codex 用户希望代理自主探索陌生代码库，用 vexor search 替代逐目录浏览。
  • 文档作者想在 docs 目录中按标题结构检索相关章节（--mode outline）。
  • 需要可脚本化输出的工程师，用 --format porcelain 或 porcelain-z 把结果接入 shell 管道。
  • 无法联网的团队，配置本地 embedding 模型实现完全离线的语义搜索。
  • 已在用 MCP 客户端（Cursor、Windsurf、Zed 等）的用户，通过 vexor mcp 把语义搜索作为原生工具接入。

如何安装这个 Skill？

使用前请注意
  • 默认远程嵌入提供方（openai/gemini 等）在中国大陆可能不可达，建议预先配置本地模型（vexor[local]）或确认网络可达性
  • 使用远程提供方需设置 API key 并写入全局配置，注意密钥保管与权限最小化
  • 静态审阅未执行任何命令，检索质量、索引耗时与失败反馈均为文档主张，未经独立验证
  • 技能通过 pip 包捆绑分发，技能内容版本与 CLI 版本耦合，升级时注意核对变更
开始前你需要
Agent 需要具备
  • Shell / 命令行
  • 网络访问
  • 本地文件系统
  • MCP Server
需要预先安装
  • vexor CLI (pip install vexor or standalone binary)
  • Python 3.10+ if installed via pip
  • an embedding provider API key (or local model)

1) 安装 vexor：pip install vexor（也支持 pipx、uv），或从 GitHub Releases 下载无需 Python 的独立二进制。2) 运行 vexor init 完成引导配置（设置提供商与 API 密钥，也可用 VEXOR_API_KEY 等环境变量）。3) 如需在 Claude Code 中安装 Agent Skill：vexor install --skills claude（Codex 用 vexor install --skills codex）。技能源文件位于仓库 plugins/vexor/skills/vexor-cli/SKILL.md。

通用方式：手动安装到 Claude Code（macOS / Linux）
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/scarletkc/vexor.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/plugins/vexor/skills/vexor-cli" ~/.claude/skills/
rm -rf "$tmp"

根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。

如何使用这个 Skill？

试试这样说

安装后，把下面任意一句发给 Agent 即可触发：

  • api client config
  • user authentication flow

技能的核心是指示代理优先用 vexor 做基于意图的文件发现。典型命令：vexor "api client config"（默认搜索当前目录）；vexor search "config loader" --path . --mode code --ext .py（代码模式）；vexor search "user authentication flow" --path docs --mode outline --ext .md --format porcelain。加 --content 可在结果中直接读取匹配源码，省去后续读文件。精确标识符搜索效果弱时，运行 vexor config --rerank hybrid 融合词法与语义匹配。配置问题用 vexor doctor 或 vexor config --show 排查。

这个 Skill 有哪些优点和局限？

优点
  • 按意图查找文件，省去 grep 和目录遍历。
  • 一次安装，三种使用形态：CLI、Python API、MCP 服务器，覆盖人和 AI 代理两类用户。
  • 多种索引模式可按场景选最快或最高召回，含代码感知分块。
  • 支持完全离线（本地 embedding 模型）和项目级配置隔离。
  • --rerank hybrid 可修复精确名称搜索的弱结果问题。
局限
  • 需要配置 embedding 提供商与 API 密钥（或本地模型），有初始设置成本。
  • 首次搜索需建索引，可能耗时约一分钟；长符号被分块时内容行范围可能与结果行号不一致。
  • 仓库索引缓存写盘，文件频繁变动的仓库可能出现 stale_line_range 需重建索引。
  • 独立效果未附基准测试数据；与 grep 等传统工具的定量对比缺失。

这个 Skill 与同类方案有什么区别？

与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。

Skill FS 评分 Star 数 最近更新 License
Vexor 语义代码搜索 本页 60 · 推荐 ★ 244 23 天前 MIT
Callimachus Recall 58 · 推荐 ★ 43 3 个月前 AGPL-3.0
9Router 嵌入生成技能 49 · 谨慎使用 ★ 31k 17 天前 MIT
Engram 持久记忆协议 68 · 推荐 ★ 7.2k 11 天前 MIT
Node Modules Inspector 依赖审计技能 67 · 推荐 ★ 3k 1 个月前 MIT

README 明确将 Agent Skill 与 MCP 服务器定位为同一核心能力的两种接入方式（技能驱动完整 CLI，MCP 暴露为原生工具），建议每个代理二选一。源材料未与其他具体搜索工具做对比。

FollowSkills 如何评估这个 Skill？

FollowSkills 评估 · FSRS-2.0
推荐
60/ 100 五分制 3.0 / 5
上游仓库在本次评估后已有新提交；当前评分仍对应所示审查版本，可能尚未覆盖最新改动。
1信任安全16 / 25 · 3.2/5

技能本身仅做本地文件检索，无破坏性默认行为；文档明确项目配置拒绝 api_key 等敏感字段（.vexor/config. 白名单），有测试锁定该行为，数据流较透明。扣分项：安装文档引导设置 API key 并写入全局配置，密钥处理与回滚说明不完整；发布者为未验证的第三方。

2可靠稳定14 / 20 · 3.5/5

仓库含真实 CI（pytest + ruff）和覆盖 CLI 关键路径（porcelain 契约、JSON 输出、内容截断、无效配置报错）的测试套件，可支持超过静态上限 10 分。扣分项：测试多为 mock 后端的单测，端到端语义检索路径仅有 DummyBackend 覆盖，真实嵌入/索引行为、失败反馈质量未经验证执行。

3适用触发9 / 15 · 3.0/5

触发场景清晰（中型/大型仓库中按意图定位文件），模式选择、非适用范围与故障排查写得较好，名称与描述匹配。扣分项：默认依赖远程嵌入服务（openai/gemini 等），中国大陆可达性存疑；本地模型方案需从 HuggingFace 下载，环境适配证据不足；对查询质量的边界（何种查询语义检索效果差）未披露。

4规范维护10 / 15 · 3.3/5

SKILL.md 结构清晰、渐进披露合理（安装细节放 references/），MIT 许可明确，有维护者、发布流程和 changelog 约定（release notes 流程）。扣分项：技能文件本身无版本号/变更记录，随 pip 包捆绑分发使技能版本与 CLI 版本耦合但不透明；部分功能（MCP、collections）需跳转外部文档。

5有效结果6 / 15 · 2.0/5

核心任务（按意图找文件）路径完整，--content/--format 直接返回源码可减少后续读文件，命令示例具体可用，README 有社区收录佐证。扣分项：静态审阅无法验证检索结果的真实质量与准确性；首个查询需索引、需配置嵌入提供方，冷启动成本对轻量用户偏高。

6证据核验5 / 10 · 2.5/5

有可审计的主材料：CI 工作流、测试代码、配置白名单测试、第三方社区收录（阮一峰周刊等）。扣分项：无独立执行复现，语义质量类主张（相似度排序效果）仅有演示视频与示例输出，第三方佐证为收录而非技术验证。

1 2 3 4 5 6

点击维度查看打分理由

评估于 2026年9月10日 审查版本 8b2717d74fa6 评估证据[1][2][3][4][5][6][7][8][9][10]

证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。

查看完整评分方法 →

常见问题

需要联网吗？
使用云端 embedding 提供商（openai/gemini/voyageai/custom）需要联网和 API 密钥；配置本地模型后可完全离线使用。
首次搜索很慢怎么办？
首次搜索会自动建索引（可能约一分钟），属正常现象。已有索引后 CLI 仍会校验文件系统；若超时可放宽超时时间，或先运行 vexor index 显式预热。
结果中 stale_line_range 是什么？
表示文件在索引后已发生变化，重新运行 vexor index 即可。--content 输出受每响应配额限制，低排名结果可能显示 budget_exhausted。
MCP 服务器和 Agent Skill 该选哪个？
两者能力相同。技能适合有 shell 权限的代理（Claude Code、Codex），需 PATH 上有 vexor；MCP 服务器把搜索暴露为原生工具，适配任意 MCP 客户端且可通过 uvx 与环境变量免配置启动。每个代理二选一即可。

相关 Skills

开发与工程

Callimachus Recall

把你在 Claude Code、Codex、Cursor、Gemini 等 11 种编码智能体里的全部对话，索引成一个本地可搜索的记忆库，避免重复解决已经解决过的问题。

★ 43 FS 58 推荐 3 个月前
开发与工程

9Router 嵌入生成技能

通过本地 9Router 的 /v1/embeddings 端点，调用 OpenAI、Gemini、Mistral、Voyage、Nvidia、GitHub 等嵌入模型，为 RAG、语义搜索和相似度计算生成向量。

★ 31k FS 49 谨慎使用 17 天前
开发与工程

Engram 持久记忆协议

为 AI 编程代理提供跨会话、跨压缩的持久记忆，自动保存决策与发现。

★ 7.2k FS 68 推荐 11 天前
开发与工程

Node Modules Inspector 依赖审计技能

检查项目已安装的 node_modules，一键找出重复包、占用磁盘最大的包以及可升级的过期依赖，适合依赖审计场景。

★ 3k FS 67 推荐 1 个月前