tirth8205/code-review-graph

Local-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.

這是什麼

code-review-graph 是給 AI coding 工具使用的本地優先程式碼知識圖。它解決的核心問題是：AI 在 review 或理解大型專案時，常會反覆讀取大量無關檔案，浪費 token，也不一定抓到真正受影響的相依關係。專案用 Tree-sitter 解析 repo，將函式、類別、import、呼叫、繼承與測試覆蓋等資訊存成圖，再透過 MCP 讓 Claude Code、Cursor、Codex、GitHub Copilot 等工具查詢。當檔案變更時，它可做 blast-radius 分析，找出呼叫者、相依檔案與相關測試，讓 AI 只讀最有關的上下文。換句話說，它把「讓模型自己猜該看哪些檔」改成先由結構圖縮小範圍，再把更乾淨的線索交給模型。

為什麼上榜

它今天以 1,833 顆星的日增量登上日榜，亮點不是再做一個 coding agent，而是替現有 agent 補上可持續更新的程式碼地圖。README 給出的數字也很吸睛：在 6 個真實開源 repo 的評測中，典型問題的中位數 token reduction 約 82x，範圍 38x 到 528x；同時也坦白說 528x 是 fastapi 的最佳案例，不是平均值。這種把效益、方法與限制一起講清楚的 README，比單純宣稱「讓 AI 更懂你的 repo」更有可信度，也更容易被實際開發者拿來評估是否值得導入。

適合誰，可以拿來做什麼

它適合已經把 AI coding 工具放進日常開發流程的團隊，尤其是大型 repo、monorepo、頻繁 PR review 的場景。若你常遇到 AI 掃太多檔、review comment 缺少影響範圍、或希望在 CI 裡自動標出高風險函式與測試缺口，這個工具的定位很明確。上手門檻主要是 Python 與工具整合：README 標示需要 Python 3.10+，並建議安裝 uv；它也強調 local-first，GitHub Action 的建圖與查詢都在 CI runner 上執行，不把原始碼送到外部服務。

上手

README 提供明確 quick start：

pip install code-review-graph                     # or: pipx install code-review-graph
code-review-graph install          # auto-detects and configures all supported platforms
code-review-graph build            # parse your codebase

install 會偵測支援的平台、寫入 MCP 設定，並在支援處安裝 hooks/skills；完成後需要重新啟動 editor 或工具。若只想設定特定平台，也可使用：

code-review-graph install --platform codex
code-review-graph install --platform cursor
code-review-graph install --platform claude-code

README 重點摘要

• 使用 Tree-sitter + SQLite graph + MCP，把 repo 解析成 AI 可查詢的結構圖。
• 支援 blast-radius 分析，追蹤變更檔案的呼叫者、相依項與測試，降低全 repo 掃描需求。
• README 宣稱 hook 或 watch mode 下可增量更新，並舉例 2,900 檔專案低於 2 秒重新索引。
• 語言支援涵蓋 Python、JS/TS、Go、Rust、Java、C/C++、PHP、SQL、Terraform/OpenTofu、Jupyter notebooks 等，也可用 .code-review-graph/languages.toml 擴充。
• 提供 GitHub Action，可在 PR 產生 sticky comment，列出風險函式、受影響流程與測試缺口，並可用 fail-on-risk 作為 merge gate。