agent 查代码不用再全文通读：这个搜索工具还自带一个会写查询的小模型

xerj-org/xerj（gh API 11 月 8 日实测：18,594 星、1,370 fork，Apache-2.0，Rust，2026-06-30 创建、11-08 仍在推送，4,173 次提交、728 个 release/tag；本周涨星约 695，findarepo 口径；官网 xerj.org）。先定性：这是给 AI agent 用的本地优先搜索引擎 + MCP 服务器——一个 Rust 二进制，索引代码、文档、日志、JSONL/CSV 与 PDF，做 BM25 全文、向量与混合搜索、免 grep 的代码搜索、agent 记忆与 RAG；Elasticsearch 兼容 API；Corpus Hub 提供数百个参考记忆语料。

xerj GitHub 仓库页面

主打用法：reference coding（引用编码）

README 口径：agent 接任务前先下载最相关的开源仓库、索引、复用别人已有的解法再自己写；受控研究里 agent 输出 token 减少 2.7 倍、解题率同为 16/16，日常使用反馈约 5 倍（作者口径）；一句话总结——“小而便宜的模型 + 引用编码，能打赢只凭记忆干活的贵模型”。

新功能 XERJ Query-1（rc.101）：把问题变成“查事实的小程序”

xerj 官网配图

一个小模型，把问题转成一段查事实的小程序（查这个、比那个、数那些），引擎在已存事实集上跑程序作答；查与比的步骤指向已存事实与引用片段，计数返回程序哈希而非原始记录；答不出给 UNKNOWN，事实冲突给 CONFLICT。4 核 CPU 离线跑，不建 embedding、不用 GPU。

实测数字（README 原文，全部来自作者自家 160 题测试，且该测试集取自模型开发集——README 自己注明，这两点必须一起说）：160 题里答错 1 题（124 答对、35 拒答），对比“RAG + Opus 5.5”答错 9–15 题；中位 220 毫秒（对比 Opus 5.5 写 RAG 答案的 1.5–2.3 秒 API 时间）；每百万问题约 42 美元 CPU 成本，对比 RAG 约 13,400 美元（全量重读最高到 694,000 美元）；10GB 英文维基建 BM25 索引 17 分钟；改一个事实 2.3 毫秒即生效。求和与大事实集尚不支持（会拒绝回答——比 LLM 更爱说“不知道”）。

开源边界与安全

xerj init 一条命令接进 Claude Code/Cursor（MCP + skill）；xerj gain 统计它替你省了多少（实数、非估算）。开源边界要写清：引擎是 Apache-2.0，但 rc.101 起 release 二进制里的 Query-1 相关 crate 是专有的，模型以二进制包发货，训练与评测数据尚未公开——不是“全开源项目”。--insecure 标志关掉 TLS 与 API key 鉴权，README 明确写这是信任边界（trust boundary）：新节点默认只绑 127.0.0.1，明文绑其他接口会被拒绝——把端口暴露出去等于把索引拱手让人。

判断

三点校准：① Query-1 的路线是“确定性查证”而非“生成式回答”——答不出就说不知道，35/160 的拒答率是特性不是缺陷，适合事实核查类场景，不适合开放问答；② 与 Jev（typesafe.ai 决策模型，已发多篇）区分：xerj README 里 Score results with Jev 只是一项功能；与 NVIDIA auto-ontology（图推理层，已发）也不同——这篇是本地搜索引擎 + Query-1；③ 自家测试 + 开发集 + 专有模型，三重限定都在——数字好看，独立复现之前当“作者演示”读。