一个开源代码搜索引擎，对AI Agent的Token消耗比grep少98%，同时保持接近Transformer级别的检索精度。Semble可能是2026年AI编程工具生态最实用的效率提升器。
事件回顾
5月17日，MinishLab团队在HN上发布了Semble（https://github.com/MinishLab/semble），一个专为AI编程Agent设计的代码搜索引擎，核心卖点：
比grep节省98%的Token消耗。
这个数字不是营销话术——grep逐行扫描整个代码库，然后把所有匹配行塞进Agent的上下文窗口。Semble使用稠密语义检索，只返回最相关的代码段，大幅减少上下文占用。
帖子在HN获得124分和37条深度评论，讨论焦点集中在：
- 是否能真正替代grep在Agent行为中的「肌肉记忆」
- 语义搜索是否会导致Agent错过关键但「措辞不同」的代码
- 基准测试的方法论——是测检索精度，还是端到端Agent任务完成度？
为什么重要
1. 「Token省98%」对AI创业者的实际意义
Token成本是AI编程Agent规模化最直接的瓶颈。如果Semble真如所述有效：
- 一个日耗100万Token的Agent团队 → 使用Semble后降至2万Token
- 月Token成本从$150降到$3
- 更短的上下文 = 更快的推理速度 = 更高的开发效率
这不是边际改进，是数量级改变。
2. 评论区揭示的Agent搜索真实需求
@jerezzprime 提出了一个关键观察：AI模型的RL训练已经深度依赖grep的输出格式，Agent「习惯了」看到grep结果的结构。使用新的搜索工具后，Agent可能因为「不熟悉」结果格式而给出更差的回答。
这意味着：工具切换不仅是技术问题，也是Agent行为对齐问题。
3. 代码搜索正在成为新的「AI基础设施」赛道
Semble不是孤例。近期还有：
- CAFleet（open-source Agent Teams for Claude Code/Codex）
- Full Stack HQ（Claude.md + Agent Stack）
- PlanBridge（精确反馈Agent计划）
这些工具的共同点：不再让Agent用「人类工具」，而是构建专用Agent基础设施。
实操：如何接入你的Agent工作流
方案1：Hermes Agent集成
Semble是开源项目，可以作为Hermes Agent的自定义tool接入：
# 在Hermes skill中注册Semble搜索工具
- name: code_search
command: python3 -m semble.search {query}
description: "语义代码搜索，替代grep，节省Token消耗"
方案2：Claude Code/Codex集成
Semble的CLI输出可直接pipe给Claude Code的-p模式：
semble query "用户认证逻辑" | claude -p "根据以下代码，重构认证中间件"
方案3：作为MCP工具
将Semble封装为MCP server，所有兼容MCP的Agent（Hermes/OpenClaw/Claude Code）均可调用。
成本对比
| 搜索方式 | Token消耗（搜索1000行代码库） | 年费 |
|---|---|---|
| grep（全量输出） | ~50,000 tokens | $75-150 |
| Semble（语义检索） | ~1,000 tokens | $1.5-3 |
| 节省比例 | 98% | 98% |
注：基于GPT-4o API定价估算，实际因模型和缓存策略有浮动。
行动建议
- 立即试用：
git clone https://github.com/MinishLab/semble，在你的项目上跑一次搜索 - 对比测试：同时用grep和Semble搜索同一个问题，对比Agent的回答质量
- 渐进替换：先在非关键路径上使用Semble，熟悉后再全面替换grep
- 关注生态：Semble目前还较新（4月首次发布），关注后续Agent端到端基准测试结果