Sourcebot：自托管的开源代码搜索与 Agent 上下文层

Sourcebot 是 Taqla Inc. 开发的自托管工具，定位为”给人和 Agent 用的代码理解层”：把公司所有仓库索引到一处，人可以用正则跨仓搜索与符号导航，AI 编程 Agent 则通过 MCP 拿到本地工作区之外的全公司代码上下文。项目 MIT 协议开源，官网宣称”代码、AI 输入输出、个人数据均不离开你的基础设施”。本文基于官网、官方 Mintlify 文档与 GitHub 仓库做一手梳理。

一、背景：为什么要在 IDE 之外再放一层代码搜索

Cursor、Claude Code、Copilot 这类工具擅长生成代码，但官方文档自己点出它们的短板：只能问本地已 checkout 的仓库、回答是一大段难以解析的文本、解释深度受限于 IDE 窗口。Sourcebot 的切入点是”理解代码”而非”生成代码”：网页端集中索引所有仓库与分支，配合自然语言问答、内联引用与可导航代码片段，并对外暴露 MCP 让 Agent 调用。资本层面，项目由 Y Combinator、Liquid 2、Pioneer Fund 支持。

二、部署形态：单容器 + 可选外部托管依赖

上手命令是 npx setup-sourcebot 向导，官方要求 Node.js 24 LTS、Docker 与 Docker Compose；也提供 Kubernetes Helm chart。架构上（官方架构文档），Sourcebot 以单个 Docker 容器发货，由 supervisord 拉起一组服务：

• Web Server：Next.js 主应用，提供 UI 并执行搜索；
• Backend Worker：Node 进程，增量同步代码托管平台并无异步索引仓库；
• Zoekt：源自 sourcegraph/zoekt 的开源 trigram 索引代码搜索引擎，是检索性能的底座；
• Postgres：事务型业务数据；
• Redis（BullMQ 队列）：异步任务排队；
• .sourcebot/ 文件缓存：克隆仓库与 Zoekt 索引分片的落盘位置。

官方也支持通过 DATABASE_URL、REDIS_URL 接入容器外的托管 Postgres/Redis 以提升稳定性。

三、搜索能力：关键词、正则与四类过滤器

代码搜索支持关键词（空格即 AND）、引号短语、正则开关，以及 file: / repo: / rev:（分支或 tag）/ lang:（基于 GitHub linguist 语言表）四类过滤器，前缀加 - 取反。典型查询如 streamText|generateText lang:TypeScript repo:^web/。配套能力包括 git history & blame、文件浏览器、代码查看器，以及符号级定义跳转与引用查找（Code Navigation）。默认只搜默认分支，按需开启多分支索引。

四、Ask Sourcebot 与 MCP：面向人和 Agent 的两条出口

Ask Sourcebot 用你自己在配置文件里声明的 LLM provider 驱动（底层基于 Vercel AI SDK，官方列出 OpenAI、Google Vertex/Gemini、Amazon Bedrock 以及 OpenAI-compatible 自托管模型），它复用已有的搜索与导航工具去检索代码、顺着引用链走，最终给出带内联引用、模型生成示意图和可导航片段的回答。Connectors 通过 MCP 接入 Linear、Jira/Atlassian、PostHog 等外部服务，且沿用连接用户的权限边界；需要调用写操作工具时会暂停并弹出 Allow/Deny 授权。

MCP Server 走 Streamable HTTP，挂在 /api/mcp 路由，支持 OAuth 2.0（首选，自动发短期 token）或 Bearer API Key 两种鉴权，可接入 Claude Code、Cursor、Codex、Copilot，暴露代码搜索、读文件、符号定义/引用等工具。

五、规格与定价（官方口径）

资源规划（官方 Sizing Guide，基于其真实部署经验，注明”结果因仓库规模与搜索模式而异”）：

磁盘按源码总量的 2–3 倍规划；官方特别警告：全量开启分支索引可使存储需求翻三倍，建议先选 release 分支子集再扩。资源中内存对搜索性能影响最直接（Zoekt 索引依赖 OS page cache 驻留内存）。

定价三档（官网 Pricing）：

GitHub 仓库（访问当日）：约 4.0k stars、371 forks、96 个开放 Issue，MIT，2024 年 8 月创建，提交保持活跃。

六、评测口径批判

官网首页演示面板给出一组示例数字：“12,400 仓库、2.3M 文件，Claude Opus 4.8，62k tokens，41 秒，6 次工具调用”，并称”0.6s 扫完 2.3M 文件、12,400 仓库，回答 grounded in 3 sources”，单条搜索分别为 0.38s、0.21s。这些是营销演示文案中的示例场景，不是公开基准：未说明硬件、索引冷热、网络条件，也没有与 Sourcegraph、Grep、Zoekt 原生 UI 的对照。官方文档反而坦承”依仓库数量与实例不同，可能遇到搜索变慢”，并明确当前不支持横向扩展，仅靠纵向加 CPU/内存，水平扩展在 roadmap 上。

七、优势与局限

优势：

1. 数据不出内网：全自托管，模型走你自己配置的 provider，适合合规敏感组织；
2. 检索底座成熟：直接复用 Zoekt trigram 索引，正则与符号导航不是自研轮子；
3. 人 + Agent 双出口：网页问答与 MCP 共用同一套索引与工具，Agent 上下文不依赖本地克隆；
4. 接入面广：GitHub、GitLab、Bitbucket（Cloud/Data Center）、Azure DevOps（Cloud/Server）、Gitea、Gerrit、本地仓库均有连接指南。

局限：

1. 单机纵向扩展：不支持分片/集群，超大代码库（数千仓库以上）要靠堆内存，存在天花板；
2. 免费档 5 用户上限，权限同步、组织管理、审计等企业能力全部压在付费档；
3. Ask 质量取决于自配模型，官方不托管模型，也不提供答案准确率基准；
4. 多分支索引成本高（官方称可达三倍存储），全量索引策略需要克制；
5. 项目较年轻（2024 年中创立），企业级 SSO/SCIM/审计等仍在按档逐步补齐。

八、适合谁

• 代码托管分散在多个平台、本地克隆不全的中小工程团队；
• 需要给非工程角色（PM、支持、新人）一个”跨仓提问”入口的组织；
• 想给 Claude Code 等本地 Agent 补上全公司代码上下文、又要求数据不出内网的团队。

参考来源

• Sourcebot 官网
• 官方文档：架构
• 官方文档：Sizing Guide
• 官方文档：Ask Sourcebot
• 官方文档：MCP Server
• 官方文档：搜索语法
• GitHub: sourcebot-dev/sourcebot
• Koala 项目库条目 1369