RepoBrain te ayuda a entender un repositorio, localizar implementaciones y obtener respuestas con referencias al código. El conocimiento se guarda en .repobrain/ y se comparte entre los IDEs y agentes compatibles.

Filosofía del proyecto

El techo de capacidad de un AI Agent = la calidad del contexto que puede leer.

El motor es el núcleo: rb-refresh despliega un clúster multi-agente que lee tu código autónomamente — cada módulo obtiene su propio Agent que genera documentación de conocimiento. rb-ask enruta preguntas al Agent correcto, con respuestas basadas en código real con rutas de archivo y números de línea.

En vez de darle a Claude Code / Codex un grep del repositorio para que busque por su cuenta, dale un ChatGPT para tu repositorio.

Enfoque tradicional:                    Enfoque RepoBrain:
  CLAUDE.md = 5000 líneas de docs         Claude Code llama ask_project("¿cómo funciona auth?")
  El agente lee todo, olvida la mitad     Router → ModuleAgent lee código real, devuelve respuesta exacta
  La tasa de alucinación sigue alta       Fundamentado en código real, rutas de archivo y git

Problema	Sin RepoBrain	Con RepoBrain
El agente olvida el estilo de código	Repites las mismas correcciones	Lee .repobrain/conventions.md — lo hace bien a la primera
Incorporar un codebase nuevo	El agente adivina la arquitectura	rb-refresh → ModuleAgents aprenden cada módulo
Cambiar entre IDEs	Reglas diferentes en cada uno	Una carpeta .repobrain/ — todos los IDEs la comparten
Preguntar "¿cómo funciona X?"	El agente lee archivos al azar	ask_project MCP → Router enruta al ModuleAgent responsable

La arquitectura son archivos + un motor Q&A en vivo, no plugins. Portable entre cualquier IDE, cualquier LLM, cero lock-in.

Consulta la filosofía completa del proyecto.

Inicio rápido

Pide a un asistente de IA que pueda ejecutar comandos en tu proyecto que instale RepoBrain:

Lee AI_INSTALL.md y sigue sus instrucciones para instalar RepoBrain en este proyecto.

La guía instala las herramientas, configura el modelo, construye la base de conocimiento y verifica una respuesta. Una CLI con sesión iniciada, como Trae, puede servir de backend sin una API key adicional; también se admite una API compatible con OpenAI. Requiere Python 3.10+, un repositorio Git con al menos un commit y un árbol de trabajo limpio antes de actualizar.

Para instalación por plataforma o configuración manual, consulta la guía de instalación y el inicio rápido. Un proyecto existente no necesita ejecutar primero rb init ni rb-init.

Uso diario

Tras instalar y configurar, ejecuta estos comandos en la carpeta del proyecto:

rb-refresh
rb-ask "¿Cómo funciona la autenticación en este proyecto?"

rb-refresh elige automáticamente la primera construcción, la actualización de los grupos afectados por cambios confirmados o la continuación de una tarea interrumpida compatible. Si la base ya está al día, termina sin llamar al modelo. Después de un fallo, ejecuta el mismo comando para continuar.

Solo para regenerar todo el conocimiento:

rb-refresh --full

rb-ask responde con evidencia de código desde la base existente. Avisa si hay commits más recientes, pero no actualiza la base durante una pregunta.

Ejemplos de preguntas:

• ¿Dónde se implementa esta API y qué componentes la llaman?
• ¿Qué recorrido siguen los datos desde la interfaz hasta el backend?
• ¿Qué módulos se ven afectados al cambiar esta función?

Cómo funciona

Código → rb-refresh → conocimiento en .repobrain/ → rb-ask → respuesta con referencias

RepoBrain agrupa código relacionado, genera conocimiento por módulo y selecciona el contexto relevante para cada pregunta. La base vive en tu proyecto y se comparte entre los IDEs compatibles. Las actualizaciones se preparan en una versión separada y solo se activan al completarse; un fallo conserva la versión usable.

La primera construcción usa el modelo configurado y puede tardar varios minutos o más en repositorios grandes. Confirma los cambios locales o usa git stash antes de actualizar. Las reglas de IDE y las plantillas de proyectos son opcionales; consulta la referencia de uso.

Compatibilidad

Uso	Entornos	Conexión
Plugins nativos	Claude Code, Codex CLI	Comandos slash para configurar, actualizar y preguntar.
IDEs compatibles	Cursor, Windsurf, Gemini CLI, VS Code + Copilot, Cline, Aider, DeepSeek Harness	Archivos de contexto compartidos, CLI o un cliente MCP.
Otros agentes y scripts	Entornos que ejecutan comandos o llaman herramientas MCP	Salida CLI/JSON o rb-mcp opcional.

Los comandos por plataforma, la salida JSON y el registro MCP están en la referencia de uso y INSTALL.md.

Evaluación

Una comparación en Flask, ripgrep, Vite y Prometheus mantuvo el mismo acceso al código y la misma ruta de modelo para RepoBrain y CodeGraph + Trae. El informe completo en inglés incluye precisión, tiempo de consulta, tokens y coste de construcción inicial. Los resultados corresponden a ese experimento; generar conocimiento con IA e indexar un grafo estático son cargas de trabajo diferentes.

Documentación

• Instalación y resolución de problemas
• Comandos, JSON e integraciones opcionales
• Arquitectura de conocimiento y preguntas
• Herramientas MCP externas · Configuración del sandbox
• Cambios de versión
• Documentación completa: Español · English · 中文

Feedback de auditoría NLPM — Este repositorio se ha beneficiado de NLPM, un linter de programación en lenguaje natural para plugins de Claude Code, skills y definiciones de agentes creado por xiaolai. Su auditoría ayudó a encontrar mejoras útiles en frontmatter de skills e higiene de dependencias.

---

Contribuyendo

¡Las ideas también son contribuciones! Abre un issue para reportar bugs, sugerir funcionalidades o proponer arquitectura.

Contribuidores

⭐ Lling0000 Contribuidor Principal · Sugerencias creativas · Administrador del proyecto · Ideación y feedback	Alexander Daza Sandbox MVP · Workflows OpenSpec · Docs de análisis técnico · PHILOSOPHY	Chen Yi Primer prototipo CLI · Refactor de 753 líneas · Extracción DummyClient · Docs quick-start	Subham Sangwan Carga dinámica de herramientas (#4) · Protocolo swarm multi-agente (#3)	shuofengzhang Fix ventana de contexto de memoria · Manejo graceful de cierre MCP (#28)
goodmorning10 Mejora de carga de contexto en rb ask — añadió CONTEXT.md, AGENTS.md y memory/*.md como fuentes de contexto (#29)	BBear0115 Empaquetado de skills y mejoras de recuperación KG · Sincronización README multilingüe (#30)	SunkenCost Comando rb clean · Protección de entrada __main__ (#37)	Aravindh Balaji Superficie de instrucciones unificada en torno a AGENTS.md (#41)
xiaolai Feedback de auditoría NLPM · Fixes de frontmatter de skills · Revisión de higiene de dependencias (#51, #52, #53)

Star History

Licencia

Licencia MIT. Ver LICENSE para detalles.

---