Was kostet CocoIndex Code?

Kostenlos und Open Source (Apache-2.0). Cloud-Anbieter für Embeddings rechnen direkt mit dir ab; geteilte Team-Indizes sind eine Enterprise-Funktion ohne veröffentlichte Preise.

Welche Nachteile hat CocoIndex Code?

Nur Vektorähnlichkeit; kein Ranking nach Schlüsselwörtern oder BM25; Anonyme Telemetrie standardmäßig aktiv; Volle Installation bringt rund 1 GB an PyTorch-Abhängigkeiten; Kein Aufrufgraph, keine Referenzen, keine Typen.

Was kostet CocoIndex Code für ein Team oder im Produktivbetrieb?

Lokal kostenlos, abgesehen von CPU- oder GPU-Zeit und Speicherplatz. Cloud-Embeddings kosten je nach Codegröße zu den Tarifen des Anbieters; geteilte Team-Indizes und Deduplizierung über Branches sind Enterprise-Funktionen mit Preisen auf Anfrage.

Ist CocoIndex Code sicher für Firmendaten?

Die Indexdateien liegen im Ordner .cocoindex_code des Projekts, der in .gitignore eingetragen wird. Mit lokalem Sentence Transformers verlässt kein Code den Rechner; mit einem LiteLLM-Anbieter geht jeder Abschnitt an diesen Anbieter. Anonyme Telemetrie ist standardmäßig aktiv. Sicherheitshinweise sind nicht veröffentlicht.

Was sind die besten Alternativen zu CocoIndex Code?

Die nächsten Alternativen, die wir getestet haben, sind Semble, codebase-memory-mcp, Serena und CodeGraph.

CocoIndex Code MCP-Server im Test (2026)

Was ist CocoIndex Code?

CocoIndex Code stammt vom Team hinter der Datentransformations-Engine CocoIndex. Es zerlegt ein Repository mit tree-sitter entlang von Funktions- und Klassengrenzen in Abschnitte, erzeugt dafür Embeddings und speichert die Vektoren in eingebetteten SQLite- und LMDB-Dateien im Ordner .cocoindex_code des Projekts. Ein Agent findet Code dann, indem er ihn beschreibt, etwa "wie Benutzersitzungen verwaltet werden", statt Namen für grep zu raten. Die Rust-Engine indexiert nur geänderte Dateien neu.

Das Kommandozeilenwerkzeug ccc läuft als CLI, als Skill für Claude Code und andere Agenten oder als MCP-Server mit claude mcp add cocoindex-code -- ccc mcp. Die volle Installation bringt Sentence Transformers mit und nutzt standardmäßig das kleine Modell Snowflake/snowflake-arctic-embed-xs auf deinem eigenen Rechner, ohne API-Schlüssel; die schlanke Installation leitet Embeddings über LiteLLM an Cloud-Anbieter oder Ollama. Ein Hintergrund-Daemon hält das Modell zwischen Anfragen geladen.

Das Repository wurde im Februar 2026 angelegt, hat rund 2.980 Sterne und steht unter der Apache-2.0-Lizenz. Version 0.2.43 erschien am 5. November 2026 und ist in der offiziellen MCP-Registry gelistet. Das PyPI-Paket verzeichnete in der Woche bis zum 10. November rund 1.270 Downloads.

CocoIndex Code installieren

pipx install 'cocoindex-code[full]' && claude mcp add cocoindex-code -- ccc mcp

Lohnt sich CocoIndex Code?

CocoIndex Code macht genau eine Sache: Es beantwortet eine Frage in natürlicher Sprache mit den fünf ähnlichsten Codeabschnitten. Der MCP-Server bietet ein einziges Werkzeug, search, mit Filtern für Sprache und Pfadmuster und einem Limit von 1 bis 100 Ergebnissen. Ein Werkzeug hält den Kontextaufwand nahe null, und weil refresh_index standardmäßig auf true steht, indexiert jede Anfrage zuerst neu, was sich seit der letzten geändert hat. Der Agent liest also keinen veralteten Code.

Die Suche beruht allein auf Embedding-Ähnlichkeit. Einen Zweig für Schlüsselwörter oder BM25 gibt es nicht, ein im März 2026 eröffnetes Issue fordert ihn noch immer. Ein exakter Bezeichner kann deshalb hinter einem Abschnitt landen, der nur ähnlich klingt. Semble, der engste Konkurrent hier, kombiniert BM25 mit Embeddings und ergänzt ein Werkzeug find_related. Die Schlagzeile des README von 70% Token-Ersparnis kommt ohne veröffentlichte Methodik, während Semble seinen Benchmark immerhin dokumentiert.

Lokale Embeddings sind der größte Reiz und der größte Kostenpunkt. Die volle Installation bringt rund 1 GB an PyTorch und transformers mit, und das volle Docker-Image ist etwa 5 GB groß, gegenüber 450 MB für das schlanke, das Code an eine Cloud-Embedding-API schickt. Das Standardmodell ist klein und auf der CPU schnell; für bessere Codesuche verweist das README auf nomic-ai/CodeRankEmbed mit 137M Parametern und rund 1 GB VRAM, und ein Modellwechsel bedeutet eine komplette Neuindexierung.

Zwei Voreinstellungen verdienen Aufmerksamkeit. Anonyme Nutzungstelemetrie ist aktiv, solange COCOINDEX_DISABLE_USAGE_TRACKING=1 nicht gesetzt ist; laut README sind Code, Pfade, Anfragen und Ergebnisse ausgenommen. Das dokumentierte Docker-Setup bindet dein ganzes Home-Verzeichnis mit Lese- und Schreibzugriff in den Container ein, wenn du es nicht mit COCOINDEX_HOST_WORKSPACE eingrenzt. Beides ist nicht ungewöhnlich, aber beides muss man aktiv abschalten.

Der Indexspeicher hat eine Obergrenze, die man vor einem großen Monorepo kennen sollte: LMDB ist standardmäßig auf 4 GiB begrenzt, und Zehntausende Dateien mit einem hochdimensionalen Modell können MDB_MAP_FULL auslösen, bis du COCOINDEX_LMDB_MAP_SIZE erhöhst und den Daemon neu startest. Im Vergleich zu Serena oder einem Codegraphen wie codebase-memory-mcp findet es Code, kann aber nicht sagen, wer ihn aufruft.

Wo es sich lohnt

Ein Entwickler, der neu in eine unbekannte Python- und TypeScript-Codebasis kommt
Herausfinden, wo ein Verhalten steckt, ohne zu wissen, wie es jemand benannt hat
cocoindex-code[full] mit pipx installieren, ccc mcp in Claude Code registrieren und nach "wo Wiederholungsversuche für Webhooks behandelt werden" fragen. Der Agent bekommt fünf gerankte Abschnitte, statt nach geratenen Namen zu greppen; Fragen nach Aufrufern brauchen weiterhin Serena oder einen Codegraphen.
Eine sicherheitsbewusste Beratung, die unter Geheimhaltungsvereinbarungen mit Kunden arbeitet
Agenten semantische Suche geben, ohne dass Code den Laptop verlässt
Das lokale Standardmodell von Sentence Transformers beibehalten und COCOINDEX_DISABLE_USAGE_TRACKING=1 im Shell-Profil setzen. Es fallen keine Gebühren an; die Kosten sind rund 1 GB Speicherplatz für Abhängigkeiten und CPU-Zeit beim ersten Indexieren.
Ein Plattformteam, das Agenten in einem gemeinsamen Dev-Container betreibt
Jedem Entwickler-Image dieselbe Suchkonfiguration mitgeben
Das schlanke Image cocoindex/cocoindex-code (rund 450 MB) mit einem Embedding-Schlüssel von Voyage oder OpenAI starten und über COCOINDEX_HOST_WORKSPACE nur den Codeordner einbinden. Die Embedding-Kosten hängen von der Größe des Repositorys und dem Preis pro Token des Anbieters ab.

Bevor du dich festlegst

Einrichtung: pipx install 'cocoindex-code[full]' oder uv tool install, dann claude mcp add cocoindex-code -- ccc mcp (auch für Codex, OpenCode, Kilo Code und Oh My Pi dokumentiert). ccc init wählt das Modell; die erste Suche baut den Index. Nicht interaktive Erstläufe brauchen einmalig ccc init.
Integrationen: Ein MCP-Werkzeug, search (query, limit, offset, refresh_index, languages, paths), nur lesend. Die CLI ergänzt ccc grep für strukturelle Suche nach Beispiel, ccc status und ccc doctor. Als Alternative zu MCP gibt es einen Plugin-Marketplace für Claude Code und eine Skill-Installation.
Daten und Datenschutz: Die Indexdateien liegen im Ordner .cocoindex_code des Projekts, der in .gitignore eingetragen wird. Mit lokalem Sentence Transformers verlässt kein Code den Rechner; mit einem LiteLLM-Anbieter geht jeder Abschnitt an diesen Anbieter. Anonyme Telemetrie ist standardmäßig aktiv. Sicherheitshinweise sind nicht veröffentlicht.
Kosten im großen Maßstab: Lokal kostenlos, abgesehen von CPU- oder GPU-Zeit und Speicherplatz. Cloud-Embeddings kosten je nach Codegröße zu den Tarifen des Anbieters; geteilte Team-Indizes und Deduplizierung über Branches sind Enterprise-Funktionen mit Preisen auf Anfrage.
Grenzen: Der LMDB-Indexspeicher ist standardmäßig auf 4 GiB begrenzt; große Repositorys brauchen ein höheres COCOINDEX_LMDB_MAP_SIZE. Ein Modellwechsel erfordert ccc reset und eine komplette Neuindexierung. Das System-Python von macOS kann keine SQLite-Erweiterungen laden. Rund 26 offene Issues und 41 offene Pull Requests.

Was gut ist

Ein einziges MCP-Werkzeug, nur lesend, daher kaum Kontextaufwand
Lokale Embeddings ohne API-Schlüssel in der vollen Installation
Standardmäßig inkrementelle Neuindexierung vor jeder Anfrage
Apache-2.0, mit Zugang zu über 100 Embedding-Anbietern über LiteLLM

Was nicht

Nur Vektorähnlichkeit; kein Ranking nach Schlüsselwörtern oder BM25
Anonyme Telemetrie standardmäßig aktiv
Volle Installation bringt rund 1 GB an PyTorch-Abhängigkeiten
Kein Aufrufgraph, keine Referenzen, keine Typen

Am besten für

Entwickler, die wollen, dass ein Agent Code in einem privaten Repository anhand einer Beschreibung findet, ohne Quellcode an eine Cloud-Embedding-API zu schicken.

Alternativen zu CocoIndex Code

Semble

MinishLabCode und Entwicklertools

4.1/5

Schnelle lokale Codesuche für Agenten: Anfragen in natürlicher Sprache liefern nur die relevanten Snippets, auf der CPU, ohne API-Schlüssel.

codebase-memory-mcp

DeusDataCode und Entwicklertools

4.2/5

Ein einzelnes C-Binary, das einen lokalen Graphen aus Code, Dokumentation und Infrastrukturkonfiguration pflegt und Agenten Fragen zu Auswirkungen und Aufrufpfaden beantwortet.

Serena

Oraios AICode und Entwicklertools

4.2/5

Gibt Coding-Agenten Werkzeuge wie in einer IDE: Symbole finden, Referenzen verfolgen, Code nach Symbol umbenennen und bearbeiten, gestützt auf Language Server.

CodeGraph

Colby McHenryCode und Entwicklertools