cartographer
Cartographer 是 Claude Code 的一款插件，专门帮你快速理清大型代码库的结构。它能自动分析整个项目，生成清晰的架构文档，让你不再面对"祖传代码"无从下手。
这个插件主要解决两个痛点：一是新项目上手慢，二是老项目文档缺失。传统方式下，开发者需要花数小时甚至数天逐行阅读代码才能理解整体架构。Cartographer 通过并行调度多个 AI 子代理，将代码库分块分析后汇总，几分钟内就能产出完整的架构地图。
技术上，Cartographer 的亮点在于"分而治之"：先扫描文件树估算工作量，再按 token 预算智能拆分任务，多个 Sonnet 子代理并行处理不同模块，最后综合成一份结构化的 CODEBASE_MAP.md 文档，包含文件用途、依赖关系和数据流向。如果代码有更新，它还能通过 git 历史只分析改动部分，实现增量更新。
这款工具特别适合需要快速接手陌生代码库的开发者、需要维护遗留系统的工程师，以及希望为开源项目补充文档的贡献者。需要注意的是，由于调用多个子代理，token 消耗较大，大型项目建议先评估成本，或在 Claude 提示下改用更轻量的 Haiku 模型以节省费用。
使用场景
一位后端工程师加入了一家金融科技公司，接手维护一个拥有 15 万行代码的遗留交易系统，需要在两周内理解整体架构并完成一个紧急的合规改造需求。
没有 cartographer 时
- 代码迷宫：工程师花了 3 天时间手动浏览目录结构，发现核心交易逻辑分散在 47 个文件中，仍不清楚数据如何从订单入口流向风控模块
- 文档缺失：仅有的 README 是两年前写的，提到的模块早已重构，关键的业务规则注释散落在不同 commit 中
- 依赖黑洞：修改一个支付状态枚举后，编译报错涉及 12 个未预料到的下游服务，回滚花了 6 小时
- 知识孤岛：询问两位资深同事，得到的架构描述相互矛盾，实际代码与口述设计存在明显偏差
- 进度失控：第一周结束时，工程师只完成了 30% 的代码理解工作，项目 deadline 面临延期风险
使用 cartographer 后
- 全景地图：运行
/cartographer后 20 分钟，工程师获得了一份结构化的CODEBASE_MAP.md，清晰标注了交易核心、风控引擎、清算模块三大领域的边界与交互关系 - 活文档：文档自动关联了当前代码版本，每个关键文件都附有功能摘要和上下游依赖说明，工程师 2 小时内定位到需要改造的 8 个核心文件
- 变更预判：通过数据流图提前识别出支付状态变更的影响范围，一次性完成 23 处关联修改，零回滚
- 共识基准：团队以 cartographer 生成的架构图作为讨论基础，消除了理解分歧，评审会议效率提升 60%
- 按期交付：工程师在第 8 天完成改造并通过测试，剩余时间用于补充单元测试，项目顺利上线
cartographer 将"阅读代码"转变为"查阅地图"，让开发者在复杂代码库中快速建立全局认知，大幅降低新成员上手成本与架构决策风险。
运行环境要求
- 未说明
未说明
未说明
快速开始
Cartographer
一个 Claude Code 插件，使用并行 AI 子代理（subagents）映射和记录任意规模的代码库。
安装
步骤 1： 添加市场源到 Claude Code：
/plugin marketplace add kingbootoshi/cartographer
步骤 2： 安装插件：
/plugin install cartographer
步骤 3： 重启 Claude Code（可能需要重启以加载技能）
步骤 4： 使用：
/cartographer
或者直接说 "map this codebase"，它会自动触发。
功能说明
Cartographer 协调多个 Sonnet 子代理并行分析整个代码库，然后将它们的发现综合成：
docs/CODEBASE_MAP.md- 详细的架构图，包含文件用途、依赖关系、数据流和导航指南- 更新
CLAUDE.md，添加指向该架构图的摘要
工作原理
- 运行扫描脚本获取文件树和 token 数量（遵循 .gitignore）
- 根据 token 预算规划如何将工作分配给子代理
- 并行生成 Sonnet 子代理 - 每个分析代码库的一部分
- 将所有子代理的报告综合成全面的文档
更新模式
如果 docs/CODEBASE_MAP.md 已存在，Cartographer 将：
- 检查自上次映射以来的 git 历史变更
- 仅重新分析变更的模块
- 将更新与现有文档合并
只需再次运行 /cartographer 即可更新。
Token 使用量
⚠️ 注意： 此技能会生成 Sonnet 子代理以进行准确、可靠的分析。根据代码库大小，这可能会消耗大量 token。请注意您的使用量。
您可以要求 Claude 改用 Haiku 子代理以降低运行成本，但在复杂代码库上准确性可能会下降。
依赖要求
- tiktoken（用于 token 计数）：
pip install tiktoken或uv pip install tiktoken
完整文档
详细文档请参见 plugins/cartographer/README.md。
许可证
MIT
常见问题
相似工具推荐
stable-diffusion-webui
stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。 无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
ComfyUI
ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。 这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。 无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
ragflow
RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。 在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。 这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。
OpenHands
OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。 无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。 其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。