Das Team hinter Bytebell beschreibt seinen einjährigen Evaluierungsprozess für Code-Retrieval-Systeme. Vektorembeddings scheiterten daran, dass semantisch unverwandte Funktionen mit gleichem Namen (z. B. `process()`) ähnliche Vektoren erzeugen und strukturelle Beziehungen wie Call-Graphs oder Imports verloren gehen. Tree-sitter-ASTs liefern zwar präzise Struktur, aber keine Geschäftsbedeutung – Fragen in Business-Sprache bleiben unbeantwortet. Der gewählte Ansatz: Pro Datei wird ein LLM-Aufruf gemacht, der purpose, summary, businessContext und Entities generiert; diese werden als Knoten in Neo4j gespeichert, verbunden mit Klassen-, Funktions-, Keyword- und Import-Kanten. Abfragen laufen über Fulltext-Suche auf diesen semantischen Feldern statt über Vektorähnlichkeit. Zur Kostenkontrolle wird SHA-256-Hashing verwendet, sodass nur geänderte Dateien neu indiziert werden. Als externe Validierung zitiert das Team RepoGraph (ICLR 2025, +32,8 % auf SWE-bench) und Code-Craft (+82 % Top-1-Retrieval-Präzision). Der Quellcode ist unter github.com/ByteBell/bytebell-oss verfügbar; LLM-Aufrufe laufen ausschließlich über OpenRouter und binden lokal an 127.0.0.1.