code-review-graph：用代码智能图与 MCP，让 AI 代码审查平均省下 65 倍 token-二趣网

code-review-graph：用代码智能图与 MCP，让 AI 代码审查平均省下 65 倍 token

【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

AI 代码审查助手审一个 PR 时，习惯先重读半个代码库，上下文全是 token 开销。code-review-graph 的做法是把代码库先解析成持久化的代码智能图：Tree-sitter 解析出结构，存入 SQLite，再通过 MCP 只把回答问题所需的最小上下文交给 AI。在 flask 代码库上，全量读取需要 143,594 个 token，一次图回答只要 2,196 个，约省 65 倍。

三分钟跑起来：从安装到第一次图回答

pip install code-review-graph # 或 pipx install code-review-graph install # 自动检测你的 AI 编码工具并写入 MCP 配置 code-review-graph build # 把整个代码库解析成图

这就是最短路径。install会自动检测你在用哪些 AI 编码工具（Codex、Claude Code、Cursor、Windsurf、Zed、Gemini CLI、Copilot 等 16 个平台），为每个平台写入 MCP 服务条目、钩子和规则文件指令；只配一个平台就加--platform cursor，用--dry-run可预览要写哪些文件。要求 Python ≥ 3.10，CLI 入口启动时会强制校验；uv 是可选的——uvx在 PATH 上时 MCP 配置优先用它，否则回退到直接调用code-review-graph命令。对使用者意味着：无论你用哪个编辑器或 CLI 助手，一条 install 全部配好，重启编辑器后对助手说 "Build the code review graph for this project" 即可。500 个文件的项目大约 10 秒出图，3,000 文件规模的冷构建实测约 40 秒；之后靠钩子和 watch 模式保持图是新鲜的。

它凭什么省下 65 倍 token：从影响范围分析到代码图增量更新

先看官方数字，全部来自针对 6 个真实开源仓库（fastapi、flask、gin、httpx、express、code-review-graph 自身）的自动评估运行器，合计 13 个提交，可用code-review-graph eval复现。docs/REPRODUCING.md 记录了完整步骤：所有配置固定上游 SHA，社区检测用固定随机种子，两次运行在不同机器上应得到相同数值。

token 削减：每仓库 5 个自然语言问题，削减中位数约65×，范围36×–376×（fastapi 为 948,793 → 2,653）；
影响精度：graph-derived 基准下 F1 平均0.693——该基准的真值来自同一张图，是循环上界，应视为上限而非"100% 召回"；
多跳检索：11 个两跳任务（先混合搜索找锚点节点，再沿图遍历一跳）平均得分0.909。

机制是一条三步流水线：

解析：Tree-sitter 把每个文件解析为 AST，提取成节点（函数、类、导入）与边（调用、继承、测试覆盖），存入.code-review-graph/里的 SQLite 数据库。覆盖 Python、JS/TS/TSX、Go、Rust、Java、C/C++、C# 等 30 余种语言，外加 Jupyter/Databricks Notebook。
影响范围分析（Blast Radius）：文件变更后，图从变更文件出发沿调用/导入边做 BFS 展开（默认 2 层），找出所有可能受影响的调用方、依赖方与测试，算出 AI 应当读取的最小文件集。AI 不再扫描整个项目，只读这些文件。
最小返回：MCP 工具只返回这个切片。在本项目自己的仓库上，208,821 个源码 token 收敛到每次提问约 3,190 个。

图还必须保持新鲜，否则审查结论会悄悄过期。增量更新逻辑在 incremental.py：钩子或 watch 模式触发git diff找出变更文件，再用图里的导入/调用边定位全部依赖方，但只重新解析 SHA-256 哈希确实变化的文件——哈希没变的依赖方直接跳过。在 django（约 2,900 个文件）上实测：改动 2 个文件在钩子路径上约 2.5 秒完成重索引（其中约 1.4 秒是进程启动开销），空更新只需 1.4 秒。并行解析 worker 数由CRG_PARSE_WORKERS环境变量控制（默认取 CPU 核数与 8 的较小值），CRG_PARSE_EXECUTOR可显式指定process/thread执行器。对使用者意味着：边写代码边审查时，图始终与最新代码同步，结论不会基于旧结构。

按场景找功能：审查、体检、重构、搜索、导出

日常审查

detect-changes把 diff 映射到受影响的函数、执行流与测试缺口并给风险评分，--brief只打风险摘要 + Token Savings 面板，--base默认HEAD~1。
斜杠命令：build-graph建图、review-delta审上次提交以来的变更、review-pr完整 PR 审查。
get_review_context返回 token 优化审查上下文：max_files默认 25，源码片段共享 800 行预算。

架构体检

Leiden 算法做代码社区检测（默认种子固定为 42，可用CRG_LEIDEN_SEED覆盖），get_architecture_overview用detail_level="minimal"可把典型 600KB 的输出压到 5KB 以下。
枢纽/桥梁节点检测：按最大连接数与介数中心性找架构瓶颈；"意外连接"评分标记跨社区、跨语言、边缘到枢纽的耦合。
知识缺口分析：孤立节点、未测试热点、薄弱社区。

重构与死代码

重构预览覆盖重命名与死代码检测；应用时只做精确字符串替换（无正则、无 eval），并校验所有编辑路径都在仓库根内，预览 10 分钟过期。
大函数检测：找出超过行数阈值的函数/类。

语义搜索与嵌入

混合搜索：FTS5 关键词（BM25）+ 向量相似度结合，semantic_search_nodes同时支持按标识符查和自然语言提问。
嵌入是可选能力：本地 sentence-transformers（默认模型all-MiniLM-L6-v2）或云端端点，见"按需增强"。

导出与可视化

visualize支持html（D3 力导向交互图，带搜索与社区图例）、graphml（Gephi/yEd）、cypher（Neo4j）、obsidian、svg。
wiki从社区结构生成 Markdown wiki；forget <path>无需完整重建即可把文件从图中移除。

命令与 MCP 工具速查：记住 8 条命令和 5 个工具就够

最常用的 CLI（完整参考见 docs/COMMANDS.md）：

code-review-graph install # 自动检测并配置所有平台 code-review-graph build # 全量建图（可选 --skip-flows、--data-dir） code-review-graph update --brief # 增量更新 + 风险摘要与节省面板 code-review-graph status # 图统计信息 code-review-graph detect-changes # 带风险评分的变更影响分析（--base 默认 HEAD~1） code-review-graph watch # 文件变更时自动更新图 code-review-graph visualize # 生成交互式 HTML 图 code-review-graph serve # 启动 MCP 服务器（stdio；--http 走 localhost:5555）

全部 30 个 MCP 工具都在 main.py 中以@mcp.tool()注册，建图之后 AI 助手会自己调用。高频的五个：

工具	何时用
`get_minimal_context`	超紧凑上下文（约 100 token），助手优先调用它
`get_impact_radius`	变更文件的影响范围（默认 2 层深度展开）
`detect_changes`	diff → 受影响函数/流/测试缺口 + 风险评分
`query_graph`	16 种查询模式：callers_of、callees_of、tests_for、inheritors_of 等
`semantic_search_nodes`	按名称或自然语言语义做混合搜索

其余的 flows、communities、hubs、wiki、refactor 等不必逐记；serve --tools a,b,c（或CRG_TOOLS环境变量）可以只暴露你要的那几个。

按需增强：只装你用得到的可选依赖组

核心图存储是本地 SQLite，不需要任何外部服务。可选依赖组与 pyproject 中的[project.optional-dependencies]一一对应：

[embeddings]本地向量嵌入（sentence-transformers，默认all-MiniLM-L6-v2，CRG_EMBEDDING_MODEL可换模型）
[google-embeddings]Google Gemini 嵌入（需GOOGLE_API_KEY）
[communities]igraph 社区检测
[enrichment]Jedi 增强的 Python 调用解析
[eval]基准测试报告（matplotlib）
[wiki]Ollama LLM 摘要
[all]以上全部

OpenAI 兼容端点（官方 OpenAI、Azure，或自建网关 vLLM/LocalAI 等）无需额外安装，设好环境变量即可：

export CRG_OPENAI_BASE_URL=http://127.0.0.1:3000/v1 export CRG_OPENAI_API_KEY=sk-... export CRG_OPENAI_MODEL=text-embedding-3-small # 可选：CRG_OPENAI_DIMENSION 固定维度、CRG_OPENAI_BATCH_SIZE 调低批量

然后给embed_graph传provider="openai"。base URL 指向 localhost 时会自动跳过云端出口警告。

⚠️ 模型选择：避免使用带-preview/-beta/-exp的模型 ID——预览模型可能更换权重（维度变化会迫使全部节点重新嵌入）或被无预警弃用。推荐稳定 GA 模型：text-embedding-3-small/large、Qwen/Qwen3-Embedding-8B（vLLM/LocalAI 自托管）、gemini-embedding-001。

参与项目：从 clone 到第一次 pytest

git clone https://gitcode.com/GitHub_Trending/co/code-review-graph cd code-review-graph python3 -m venv .venv && source .venv/bin/activate pip install -e ".[dev]" pytest

测试套件在tests/目录，覆盖解析器、图、增量更新、社区检测、嵌入与 CLI；tests/fixtures/下提供 40 余种语言/框架的样例文件，验证新解析路径时直接复用。要加新语言：在code_review_graph/parser.py的EXTENSION_TO_LANGUAGE里补扩展名映射，并同步_CLASS_TYPES、_FUNCTION_TYPES、_IMPORT_TYPES、_CALL_TYPES四张节点类型表，附上测试 fixture 提交 PR。项目采用 MIT 许可证，放心 fork 与二次开发。

下一步，去你的目标仓库里跑一次build，然后问它第一个问题。

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

企业官网建设流程全解析