Pourquoi Claude Code oublie-t-il des modifications ?CodeGraph apporte une réponse (2026)

Ça vous parle ?

Vous demandez à Claude Code de modifier une API.

Ensuite :

• Build OK
• Tests unitaires OK

Après le déploiement :

• Un autre module utilise encore l'ancien contrat
• Une chaîne d'appels cachée n'a jamais été mise à jour
• Un mock pointe toujours vers la logique legacy

On accuse vite : le modèle n'est pas assez intelligent.

Plus juste : Claude Code, Cursor, Windsurf et Copilot Agent ne comprennent pas comment votre code est câblé. Ils voient des fragments, puis tentent des edits à l'échelle du dépôt dans une large codebase — d'où les modifications oubliées par Claude Code et les oublis Cursor, plaintes les plus bruyantes de l'AI coding en 2026.

Cet article suit l'intention de recherche : pourquoi les edits sont oubliés → pourquoi les grands projets cassent les agents → pourquoi RAG et grep échouent → pourquoi un Code Knowledge Graph → puis CodeGraph sur GitHub Trending et mise en pratique. Contexte : Pourquoi chaque agent de code IA a besoin d'un Code Knowledge Graph.

Pourquoi Claude Code oublie-t-il si souvent des modifications ?

Des recherches comme « Claude Code oublie modifications » ou « Claude Code monorepo » ne portent pas sur le QI — elles demandent : j'ai changé un endroit ; pourquoi le reste n'a pas suivi ?

Claude Code, Cursor et Windsurf excellent à écrire du code neuf. La douleur arrive en éditant des systèmes en prod — API publiques, champs de protocole, comportement cross-module. Oublis typiques :

• Adaptateur dans un autre package encore sur l'ancienne signature
• Wrapper sur une chaîne cachée intact
• Tests et mocks référencent l'ancienne logique

La CI peut rester verte si les tests n'ont jamais exercé le chemin oublié. Un modèle plus gros seul ne règle pas la compréhension du dépôt.

Pourquoi Claude Code ne « voit » pas les grands projets

« Claude Code large codebase » et « Claude Code context window » apparaissent avec les oublis : le modèle lit bien fichier par fichier mais ne tient pas tout le graphe d'appels en mémoire de travail.

Aucune context window ne contient un monorepo de 200k lignes dans le prompt. Claude Code amène des fichiers partiels à chaque tour ; les modules hors contexte sont effectivement invisibles — le chemin principal est mis à jour, packages distants et autres targets échouent en silence.

Les utilisateurs Cursor grands projets tapent le même mur : @-mentionner quelques fichiers, éditer localement — mais la surface d'impact projet reste devinée. Les deux ont besoin d'une question avant de couper : qui dépend encore de ce symbole ?

La lacune de Cursor : connectivité, pas syntaxe

Comparez Claude Code vs Cursor : agent terminal vs IA dans l'éditeur. Dans un monorepo, les deux échouent pareil :

• Piles d'appels profondes — UI → ViewModel → Service → Repository → SDK ; l'aide inline couvre souvent seulement les deux premiers niveaux
• Re-exports monorepo — la recherche sémantique trouve des fichiers « similaires », pas les vrais appelants par chemin d'import
• Multi-target / multi-langage — Swift↔ObjC, ponts RN ; sans structure, Cursor MCP lit encore à l'aveugle

En bref : Cursor et Claude Code n'échouent pas à écrire — ils échouent à connaître le graphe d'appels.

Pourquoi RAG ne suffit pas

Beaucoup d'outils d'AI coding vectorisent le dépôt — RAG classique. Parfait pour « trouver quelque chose comme cette implémentation », faible pour « lister chaque fichier à changer ensemble ».

RAG renvoie des chunks en forme de solution, pas des appelants légaux. En prod, mocks, SDK clients et templates codegen restent sur l'ancienne API pendant que les tests unitaires du happy path restent verts.

Pourquoi grep ne suffit pas

Sans CodeGraph, Claude Code retombe sur Read, Grep, Glob. Grep adore les chaînes, déteste la résolution de surcharge, le dispatch dynamique, les macros et les ponts inter-langages — les chaînes multi-sauts se brisent dans les résultats.

Les agents peuvent lire vingt fichiers et manquer quand même l'impact — lent et poreux. La section suivante bat les stats abstraites « 62 % d'appels outils en moins ».

Pourquoi vous avez besoin d'un Code Knowledge Graph

Un Code Knowledge Graph pré-indexe symboles, arêtes d'appel et frontières de modules pour que Claude Code MCP et Cursor MCP interrogent un graphe au lieu de parier sur grep.

Vous voulez des réponses déterministes : impact(AuthService) listant appelants, tests, mocks — pas « lire cinq fichiers de plus et espérer ». C'est le context engineering en 2026 : externaliser la carte du dépôt en index mis à jour incrémentalement, pas un prompt qui grossit sans fin.

Before / After : sentir la différence

Changer AuthService.refreshSession — workflow représentatif, pas un benchmark isolé :

# Trace outils agent (extrait)
Read File   src/auth/AuthService.ts
Read File   src/auth/SessionStore.ts
Grep        "refreshSession"
Read File   apps/api/handlers/login.ts
Read File   packages/shared/contracts/auth.ts
Read File   ...
# 20+ reads/greps — mocks toujours incertains

codegraph impact "AuthService.refreshSession" --depth 3
# Une closure structurée, ex. :
# · 14 appelants (cross-package)
# · 3 fichiers de test liés
# · 2 mocks/fixtures sur ancienne signature
# Claude Code édite depuis la checklist — bien moins d'oublis

Changement visible : de deviner la surface d'impact à éditer depuis une liste. Les benchmarks montrent moins d'appels outils avec un graphe ; le soin d'ingénierie est de savoir quelle structure l'agent a utilisée.

Schémas : fragments vs chaîne d'appels

Sans graphe, l'agent tâtonne ; avec graphe, il parcourt les arêtes.

     [fichier ouvert]
            ?
            ?  ← reste du dépôt dans la context window ? inconnu
            ?
            ?
     (nombreux Read/Grep — la chaîne peut encore casser)

  Controller  →  AuthHandler
       ↓
    Service     →  AuthService.refreshSession
       ↓
  Repository  →  SessionStore
       ↓
       DB

flowchart LR
  subgraph blind["Claude Code sans graphe"]
    A["?"] --> B["?"]
    B --> C["?"]
  end
  subgraph graph["CodeGraph"]
    D[Controller] --> E[Service]
    E --> F[Repository]
    F --> G[(DB)]
  end

Qu'est-ce que CodeGraph ? La réponse GitHub Trending

Quand on sait pourquoi les edits glissent, CodeGraph (colbymchenry/codegraph) est l'implémentation fin mai 2026 sur GitHub Trending : Code Knowledge Graph local tree-sitter dans .codegraph/codegraph.db, exposé via Claude Code MCP / Cursor MCP :

• codegraph_context — points d'entrée scoped à la tâche
• codegraph_trace — une chaîne, bout en bout
• codegraph_impact / codegraph_callers — closure avant changement
• ~2 s de sync incrémentale après sauvegarde

CodeGraph ne remplace ni Claude Code ni Cursor — il fournit la carte manquante du dépôt. C'est de l'infrastructure AI coding, pas du suivisme de tendance.

Quel CodeGraph sur GitHub ?

GitHub Trending pointe vers colbymchenry/codegraph : SQLite, pas d'upload de source, MCP pour Claude Code / Cursor. D'autres forks (Kuzu + vecteurs) diffèrent. Docs : colbymchenry.github.io/codegraph.

Installer CodeGraph (macOS / Linux / Windows)

# macOS / Linux
curl -fsSL https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.sh | sh

# Windows
irm https://raw.githubusercontent.com/colbymchenry/codegraph/main/install.ps1 | iex

npx @colbymchenry/codegraph
npm i -g @colbymchenry/codegraph
codegraph install --target=cursor,claude --yes

Indexer pour que Claude Code voie la structure

À la racine monorepo ou 200k lignes :

cd /path/to/your-large-repo
codegraph init -i
codegraph status

Le premier index complet peut durer des dizaines de minutes — d'où le Cloud Mac ci-dessous.

Claude Code MCP et Cursor MCP

codegraph install enregistre le MCP stdio (codegraph serve --mcp). Extrait manuel Claude Code MCP :

{
  "mcpServers": {
    "codegraph": {
      "type": "stdio",
      "command": "codegraph",
      "args": ["serve", "--mcp"]
    }
  }
}

Redémarrer Claude Code et Cursor. Préférer les outils CodeGraph au grep global en chats d'AI coding.

Pratique : trois commandes avec Claude Code

codegraph context "Adapter la logique refresh token login" --format markdown

codegraph impact "AuthService.refreshSession" --depth 3
codegraph callers "AuthService.refreshSession" --limit 20

codegraph query SessionStore --limit 5

Workflow : Claude Code + Cursor + CodeGraph

1. codegraph init -i après clone (gros repos sur Cloud Mac).
2. Claude Code pour cross-module ; Cursor pour niveau fichier — même graphe.
3. Toujours codegraph_impact avant symboles publics.
4. Pre-commit : git diff --name-only | codegraph affected --stdin --quiet.

Pourquoi les équipes indexent sur Cloud Mac

Premier build de Code Knowledge Graph sur une large codebase :

• CPU élevé — parse tree-sitter complet
• IO élevé — SQLite + FTS5
• Dizaines de minutes sur arbres 10k+ fichiers

Sur MacBook, cela rivalise avec des sessions parallèles Claude Code / Cursor. Les équipes utilisent Mac mini, Cloud Mac ou VPS Apple Silicon — rsync .codegraph/ en retour, requêtes via MCP en local. Offres ZavCloud Cloud Mac pour nœuds index + CI dédiés.

• Équipes — indexer sur Cloud Mac, sync graphe vers machines de dev
• CI — codegraph affected sur les PR
• iOS / RN — moins de lectures aveugles cross-langages

Dépannage

• Claude Code grep encore — vérifier .codegraph/, chargement MCP, autoriser mcp__codegraph__*, redémarrer.
• Cursor sans outils — codegraph install --target=cursor, redémarrer.
• Index lent — utiliser Cloud Mac ; exclure node_modules, artefacts de build.

FAQ

CodeGraph stoppe-t-il tous les oublis ? Aucune garantie — mais impact + Code Knowledge Graph transforme la devinette en checklists ; meilleure couche auditable pour le Claude Code monorepo aujourd'hui.

Installs MCP Claude Code et Cursor séparées ? codegraph install --target=cursor,claude --yes une fois ; .codegraph/ partagé.

Comment confier un dépôt 200k lignes à l'IA ? Ne pas bourrer la context window ; codegraph init -i et lancer codegraph_impact avant edits d'API publiques.

Cloud Mac obligatoire ? Petits repos : index local. Premières indexations large codebase : préférer Cloud Mac ; laptop pour l'AI coding.

• Claude Code vs Cursor (2026)
• Agents IA & Code Knowledge Graphs
• CodeGraph sur GitHub