在大型代码库中，AI编程助手（如Claude Code）进行代码搜索时，常常面临效率瓶颈：当直接查找失败，它们会退回到grep等传统工具或读取整个文件，这往往导致大量的Token消耗，且检索质量不佳。针对这一痛点，开发者Stephan和Thomas开源了一款名为Semble的代码搜索工具。Semble的核心创新在于其极致的Token效率与高性能。它巧妙结合了静态的Model2Vec嵌入（使用其最新模型potion-code-16M）与BM25算法，通过RRF融合，并利用代码感知信号进行重排序。由于不涉及变换器模型，整个检索过程可以在CPU上高效运行。根据其在涵盖63个代码仓库、19种编程语言的约1250个查询/文档对的基准测试中表现，Semble相比grep+read方案节省了98%的Token，同时检索质量达到了具有1.37亿参数、专门针对代码训练的变换器模型的99%，而速度却快了约200倍。这一成果对于依赖Token计费的AI编程场景具有重大意义，能显著降低使用成本并提升响应速度。Semble不仅性能卓越，且具备零配置、无外部依赖的优点，并提供了MCP服务器，可无缝集成到Claude Code、Cursor等主流AI编程工具中。