code-review-graph 完整指南代码审查 token 省 65 倍【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graphcode-review-graph 是一个本地优先的代码图谱工具用 Tree-sitter 把代码库解析成持久化结构图再通过 MCP一种让 AI 助手调用外部工具的标准协议和命令行只喂给 AI 助手最小必要上下文。官方基准里读完整 flask 仓库要 14 万 token从图里拿答案只要约 2 千。AI 代码审查为什么费 token让 AI 审查一次改动时它的默认动作是能读就读——把可能相关、也可能不相关的文件统统塞进上下文。仓库越大浪费越狠token 烧得快、响应变慢模型注意力还被无关代码稀释。code-review-graph 的定位就是挡在 AI 前面的过滤器先算清楚这次改动真正波及哪些文件再让助手只读这些其余一概不碰。三步装完三分钟跑起来pip install code-review-graph code-review-graph install code-review-graph buildinstall会自动检测你机器上的 AI 工具Cursor、Claude Code、Codex、Zed 等十几类逐个写好 MCP 配置重启编辑器即可只想配某一个就加--platform cursor想先看会改哪些文件就加--dry-run。build首次构建看仓库规模约 3,000 个文件的仓库冷构建约 40 秒几百文件的小项目 10 秒左右。之后就不用管图了开 watch 模式持续监听或者靠各平台支持的 git 钩子在文件保存和提交时自动增量更新。它是怎么做到的从源码到最小上下文打个比方出门前先有一张城市地图某条路施工了你只需要看那一带的替代路线不用重画整张地图。拆成三步看解析成图。parser 模块 用 Tree-sitter一个能把源码快速变成语法树的增量解析器提取每个文件里的函数、类、导入和调用点边是调用、继承、测试覆盖这些关系。语言映射表EXTENSION_TO_LANGUAGE加四张节点类型表驱动了 30 多种语言的解析——Python、TypeScript、Go、Rust、Java、C/C 都在内连 Jupyter Notebook.ipynb也不落下。存进 SQLite。节点和边落在本地.code-review-graph/目录的 SQLite 文件里不依赖云服务数据不出机器。沿边算影响范围。有文件变更时系统从被改动的函数出发沿依赖边做 BFS广度优先搜索一层层往外扩散把受影响的调用方、依赖方和测试全部收进来——这就是影响范围。AI 拿到的只是这份最小文件集而不是整个仓库。增量这条路径值得单独说incremental.py 先用git diff拿到变更文件再靠图里现成的导入/调用边找出依赖方而 SHA-256 哈希没变的文件直接跳过、不重新解析。所以重新解析数只跟你改了几个文件有关跟依赖链有多长无关。数据说话65 倍削减怎么来的数字来自自动评估跑在 6 个真实开源仓库、13 个提交上的结果code-review-graph eval --all即可复现指标数值token 削减中位数约 65×区间 36×–376×影响精度 F1精确率与召回率的调和平均0.693多跳检索任务均分0.90911 项任务增量更新约 3,000 文件仓库空更新 1.4 s改 2 个文件约 2.5 s两个数字要会读影响精度跑的是 graph-derived 模式真值本身来自同一张图属于循环上界。0.693 应理解为天花板而不是答对了 69%。系统预测偏多是刻意设计最坏的一次是 10 个文件的改动被标出 33 个。设计取舍写得很直白——漏掉一个依赖比让 AI 多读一个文件代价大得多。能帮你解决哪些事合并前审查detect-changes默认对比HEAD~1把 diff 映射到受影响的函数、执行流和测试缺口给出带风险评分的报告--brief只留风险摘要。架构瓶颈定位枢纽节点工具找出连接数最多的热点桥梁节点按介数中心性找出断了就断一片的桥。单次变更影响面问一句改这个文件会波及什么图直接返回调用方、依赖方与测试清单。跨仓库搜索register注册多个仓库后跨仓库工具能一次搜全部。新人熟悉架构内置的 5 个 MCP 提示词模板审查、架构、调试、入职、合并前检查可以直接基于图结构生成上手材料。上手前该知道的事排除规则在仓库根目录建.code-review-graphignore写generated/**、vendor/**这类模式。注意 git 仓库里只索引被跟踪的文件git ls-filesgitignore 掉的内容本来就跳过这个文件管的是已跟踪但要排除或 git 不可用的场景。嵌入搜索怎么配默认走 FTS5 关键词加混合检索要语义向量嵌入选本地 sentence-transformers、Google Gemini、MiniMax 或 OpenAI 兼容端点vLLM、LocalAI 等。OpenAI 兼容那类不用装额外依赖设好CRG_OPENAI_BASE_URL、CRG_OPENAI_API_KEY、CRG_OPENAI_MODEL三个环境变量给embed_graph传provideropenai就行。模型别选预览版带-preview/-beta/-exp后缀的嵌入模型可能悄悄改维度或下线一旦维度变了所有节点都得重嵌。用 GA 稳定版。环境Python 3.10装了 uv 的话 MCP 配置会优先用uvx体验更顺。它适合谁大仓库 AI 审查的组合如果你的仓库不小、团队又靠 AI 做代码审查或者经常要回答改这里会波及什么它值得直接进日常工具链——本地 SQLite隐私上也省心。反过来几十个文件的小项目、或者没在用任何支持 MCP 的 AI 编码工具时收益就很有限整库读一遍也不心疼。收尾code-review-graph 把 AI 代码审查从整库重读拉回定点阅读核心动作就三个建图、增量追踪、只喂最小上下文。想验证它值不值挑一个真实仓库跑一遍 install看一次审查的 token 账单就明白了。仓库内文档延伸阅读README、使用手册、架构说明。项目采用 MIT 许可。【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graph创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 code-review-graph 完整指南：代码审查 token 省 65 倍
code-review-graph 完整指南代码审查 token 省 65 倍【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graphcode-review-graph 是一个本地优先的代码图谱工具用 Tree-sitter 把代码库解析成持久化结构图再通过 MCP一种让 AI 助手调用外部工具的标准协议和命令行只喂给 AI 助手最小必要上下文。官方基准里读完整 flask 仓库要 14 万 token从图里拿答案只要约 2 千。AI 代码审查为什么费 token让 AI 审查一次改动时它的默认动作是能读就读——把可能相关、也可能不相关的文件统统塞进上下文。仓库越大浪费越狠token 烧得快、响应变慢模型注意力还被无关代码稀释。code-review-graph 的定位就是挡在 AI 前面的过滤器先算清楚这次改动真正波及哪些文件再让助手只读这些其余一概不碰。三步装完三分钟跑起来pip install code-review-graph code-review-graph install code-review-graph buildinstall会自动检测你机器上的 AI 工具Cursor、Claude Code、Codex、Zed 等十几类逐个写好 MCP 配置重启编辑器即可只想配某一个就加--platform cursor想先看会改哪些文件就加--dry-run。build首次构建看仓库规模约 3,000 个文件的仓库冷构建约 40 秒几百文件的小项目 10 秒左右。之后就不用管图了开 watch 模式持续监听或者靠各平台支持的 git 钩子在文件保存和提交时自动增量更新。它是怎么做到的从源码到最小上下文打个比方出门前先有一张城市地图某条路施工了你只需要看那一带的替代路线不用重画整张地图。拆成三步看解析成图。parser 模块 用 Tree-sitter一个能把源码快速变成语法树的增量解析器提取每个文件里的函数、类、导入和调用点边是调用、继承、测试覆盖这些关系。语言映射表EXTENSION_TO_LANGUAGE加四张节点类型表驱动了 30 多种语言的解析——Python、TypeScript、Go、Rust、Java、C/C 都在内连 Jupyter Notebook.ipynb也不落下。存进 SQLite。节点和边落在本地.code-review-graph/目录的 SQLite 文件里不依赖云服务数据不出机器。沿边算影响范围。有文件变更时系统从被改动的函数出发沿依赖边做 BFS广度优先搜索一层层往外扩散把受影响的调用方、依赖方和测试全部收进来——这就是影响范围。AI 拿到的只是这份最小文件集而不是整个仓库。增量这条路径值得单独说incremental.py 先用git diff拿到变更文件再靠图里现成的导入/调用边找出依赖方而 SHA-256 哈希没变的文件直接跳过、不重新解析。所以重新解析数只跟你改了几个文件有关跟依赖链有多长无关。数据说话65 倍削减怎么来的数字来自自动评估跑在 6 个真实开源仓库、13 个提交上的结果code-review-graph eval --all即可复现指标数值token 削减中位数约 65×区间 36×–376×影响精度 F1精确率与召回率的调和平均0.693多跳检索任务均分0.90911 项任务增量更新约 3,000 文件仓库空更新 1.4 s改 2 个文件约 2.5 s两个数字要会读影响精度跑的是 graph-derived 模式真值本身来自同一张图属于循环上界。0.693 应理解为天花板而不是答对了 69%。系统预测偏多是刻意设计最坏的一次是 10 个文件的改动被标出 33 个。设计取舍写得很直白——漏掉一个依赖比让 AI 多读一个文件代价大得多。能帮你解决哪些事合并前审查detect-changes默认对比HEAD~1把 diff 映射到受影响的函数、执行流和测试缺口给出带风险评分的报告--brief只留风险摘要。架构瓶颈定位枢纽节点工具找出连接数最多的热点桥梁节点按介数中心性找出断了就断一片的桥。单次变更影响面问一句改这个文件会波及什么图直接返回调用方、依赖方与测试清单。跨仓库搜索register注册多个仓库后跨仓库工具能一次搜全部。新人熟悉架构内置的 5 个 MCP 提示词模板审查、架构、调试、入职、合并前检查可以直接基于图结构生成上手材料。上手前该知道的事排除规则在仓库根目录建.code-review-graphignore写generated/**、vendor/**这类模式。注意 git 仓库里只索引被跟踪的文件git ls-filesgitignore 掉的内容本来就跳过这个文件管的是已跟踪但要排除或 git 不可用的场景。嵌入搜索怎么配默认走 FTS5 关键词加混合检索要语义向量嵌入选本地 sentence-transformers、Google Gemini、MiniMax 或 OpenAI 兼容端点vLLM、LocalAI 等。OpenAI 兼容那类不用装额外依赖设好CRG_OPENAI_BASE_URL、CRG_OPENAI_API_KEY、CRG_OPENAI_MODEL三个环境变量给embed_graph传provideropenai就行。模型别选预览版带-preview/-beta/-exp后缀的嵌入模型可能悄悄改维度或下线一旦维度变了所有节点都得重嵌。用 GA 稳定版。环境Python 3.10装了 uv 的话 MCP 配置会优先用uvx体验更顺。它适合谁大仓库 AI 审查的组合如果你的仓库不小、团队又靠 AI 做代码审查或者经常要回答改这里会波及什么它值得直接进日常工具链——本地 SQLite隐私上也省心。反过来几十个文件的小项目、或者没在用任何支持 MCP 的 AI 编码工具时收益就很有限整库读一遍也不心疼。收尾code-review-graph 把 AI 代码审查从整库重读拉回定点阅读核心动作就三个建图、增量追踪、只喂最小上下文。想验证它值不值挑一个真实仓库跑一遍 install看一次审查的 token 账单就明白了。仓库内文档延伸阅读README、使用手册、架构说明。项目采用 MIT 许可。【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graph创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考