link: https://x.com/svpino/status/2110061843549180088 分类: x-tips 来源: X 账号 @svpino 作者: Jay 更新日期: 2026-10-14 仓库: https://github.com/xerj-org/xerj

XERJ 接入 Codex/Claude Code：把开源代码库变成 AI 的参考记忆

这是什么

XERJ 是一个用 Rust 编写的单二进制 AI 原生搜索引擎，通过 autoindex 命令将任意格式的文件（PDF、DOCX、SQLite、CSV、日志等）自动转换为可语义查询的索引，并通过 Elasticsearch 8.x 兼容的 REST API 向 AI Agent 提供检索服务。

其核心使用场景是 Reference Coding：在 AI 写代码之前，先检索同类开源项目是如何解决同一问题的，而不是靠猜测或 grep 源码。官方数据显示，同样的 Claude Code 面对 21 个它没有背过的任务——不用 XERJ 只解决 1 个、消耗 21.90 美元；用 XERJ 检索后解决 21 个、消耗 3.38 美元，输出 token 减少 2.7 倍。

本文基于 @svpino 的公开 prompt，整理如何在 Codex / Claude Code 中一键接入 XERJ，并连接 hub.xerj.org 作为参考记忆中心。

核验来源

项目 内容
官方文档索引 https://xerj.org/llms.txt
完整 API 参考 https://xerj.org/llms-full.txt
Reference Coding 案例 https://xerj.org/case-studies/reference-coding
官方 Hub（参考记忆中心） https://hub.xerj.org
GitHub 仓库 https://github.com/xerj-org/xerj
原帖（来源） https://x.com/svpino/status/2110061843549180088

待确认：hub.xerj.org 的具体接入协议（API Key 或公开访问），XERJ 与 Codex/Claude Code 的 prompt 粘合机制，以及 xc-index.sh / tools/xerj-code/ 等工具链的当前状态——案例页面提到这些工具"now ship at tools/xerj-code/"，但尚未读取到这些文件的最新内容，本次不做展开。

上手步骤

第一步：安装 XERJ

Linux / macOS：

curl -fsSL https://xerj.org/get | sh

Windows PowerShell：

irm https://xerj.org/get.ps1 | iex

安装脚本会自动检测 OS 和 CPU 架构，下载最新的 GitHub Release，验证 SHA-256 校验和（缺失或不一致则中止安装）。

第二步：启动 XERJ 节点

xerj autoindex <folder>   # 建立索引
# 启动服务后监听 :9200（ES 兼容）和 :8080（原生 API）

索引建立后会生成自描述目录和数据映射，无需手动配置。

第三步：在 Codex / Claude Code 中传入 Prompt

官方推荐的 prompt 来自 @svpino，完整内容为：

Install XERJ (docs: https://xerj.org/llms.txt), index this project's sources, docs, and logs, and connect https://hub.xerj.org as reference memory hub

将此 prompt 粘贴给 Codex 或 Claude Code，Agent 会： 1. 调用 xerj autoindex 索引项目源码、文档和日志； 2. 连接 hub.xerj.org 作为外部参考记忆库； 3. 在每次写代码前先检索同类项目的解决方案。

第四步：Reference Coding 工作流

案例页面提到的标准化流程（via OPENER_PROMPT.md）：

  1. 克隆与目标项目最相关的开源仓库；
  2. 用 xerj autoindex 索引这些仓库；
  3. 在写新代码之前，先用 XERJ 检索"他们是如何解决这个问题的"；
  4. 基于检索到的真实实现编写代码，并注明引用的来源。

适用边界

适用场景 - AI Agent 需要调用不熟悉的 API 或框架； - 项目依赖多个开源库，希望 Agent 有真实实现可参考； - 希望减少 Agent 的猜测循环，降低 token 消耗。

不适用或需注意 - 默认 embedding 模式为 lexical（词级），而非 neural；若需语义检索，需在启动节点时加 --embed-mode neural； - 索引规模为 streaming + resumable，官方验证至数 GB 级别，非 TB 级； - rerank 功能需要操作员配置外部 provider，会将文档文本发送至节点外； - hub.xerj.org 作为公开记忆中心的使用方式（是否需要认证）需进一步核验。

与 Codex / Claude Code 的兼容性：@svpino 的 prompt 在两个平台均可使用；案例页面明确提到在 Claude Code 上测试，工具链 xc-index.sh / xc.py / tools/xerj-code/ 均围绕这些 Agent 设计。

关键引用（官方原文）

来源：https://xerj.org/llms.txt

XERJ is an AI-native search engine in a single Rust binary. xerj autoindex <folder> turns mixed-format files (PDF, DOCX, SQLite, hostile CSVs, logs, SQL dumps, mbox mailboxes, …) into typed, queryable, self-describing indices with zero configuration.

来源：https://xerj.org/case-studies/reference-coding

Plain Claude Code solved 1 of 21 tasks and burned $21.90 — with XERJ retrieval it solved 21 of 21 for $3.38. Same model, same tasks — only the retrieval differs.

本次仅基于 @svpino 的 X 帖和 xerj.org 官方文档编写。hub.xerj.org 接入协议细节、tools/xerj-code/ 工具链的具体用法、XERJ 与 Codex 的 prompt 粘合机制尚未从官方文档中完全核验，留待后续补充。