Code Review Graph 研究筆記¶
資料來源¶
| 項目 | 連結 |
|---|---|
| GitHub Repo | tirth8205/code-review-graph |
| 官網 | code-review-graph.com |
| Hacker News 討論 | HN #47314090 |
| DeepWiki 文件 | deepwiki.com |
| PyPI | code-review-graph |
專案狀態： ⭐ 10K+ stars · Python + TypeScript · MIT · v2.3.2 · 23+ 語言支援
專案概述¶
Code Review Graph 解決一個核心問題：AI coding 工具每次任務都重新讀取整個 codebase，浪費大量 token。
解法：用 Tree-sitter 將程式碼解析為 AST，建立知識圖譜（函式/類別為節點、呼叫/繼承為邊），存於本地 SQLite。Review 時透過 MCP 只提供 blast radius 內的最小檔案集。
關鍵數據： Token 平均節省 8.2x，monorepo 場景最高 49x。Impact 分析 Recall 100%（從未漏掉受影響檔案）。
核心架構¶
Git Repo
│ Tree-sitter 解析
▼
AST → 知識圖譜（SQLite）
│ 節點：函式、類別、模組
│ 邊：呼叫、繼承、import、測試覆蓋
│
│ git commit / file save 自動增量更新（<2s）
▼
28 個 MCP Tools
│ blast-radius、review context、semantic search
│ hub/bridge 偵測、knowledge gap 分析
▼
AI Agent（Claude Code / Codex / Cursor / ...）
只讀需要的最小檔案集
支援平台與語言¶
一鍵安裝自動偵測並配置：Claude Code、Codex、Cursor、Windsurf、Zed、Continue、OpenCode、Antigravity、Kiro、Qwen Code
23+ 語言： Python、TypeScript/TSX、JavaScript、Vue、Svelte、Go、Rust、Java、Scala、C#、Ruby、Kotlin、Swift、PHP、Solidity、C/C++、Dart、R、Perl、Lua、Zig、PowerShell、Julia、Elixir、Bash
核心功能¶
| 功能 | 說明 |
|---|---|
| Blast-radius 分析 | 追蹤每個 caller、dependent、test 的影響範圍 |
| 28 個 MCP Tools | build/update、impact、review context、semantic search、graph traversal |
| 5 個 MCP Prompts | review_changes、architecture_map、debug_issue、onboard_developer、pre_merge_check |
| 增量更新 + Hook | git commit 或 file save 自動更新，<2s（2,900 檔案） |
| Semantic Search | sentence-transformers / Gemini / MiniMax 向量嵌入 |
| 視覺化 | D3.js force-directed graph + GraphML / Neo4j / Obsidian 匯出 |
| Hub & Bridge 偵測 | 找出架構瓶頸和高耦合節點 |
| Community Detection | Leiden 演算法聚類 |
| Refactoring 工具 | rename preview、dead code detection、dry-run |
| Graph Diff | 跨時間比較圖譜快照 |
效能數據¶
| 指標 | 數值 |
|---|---|
| Token 節省 | 平均 8.2x，最高 49x |
| Impact Recall | 100%（從未漏掉） |
| 平均 F1 | 0.54 |
| 增量更新 | <2s（2,900 檔案） |
| 初始 Build | ~10s（500 檔案） |
| 測試 | 788 tests pass |
快速開始¶
pip install code-review-graph
code-review-graph install # 自動偵測 IDE 並配置 MCP
code-review-graph build # 建立圖譜
目前限制 / 注意事項¶
- 小型單檔變更 — graph context 可能比直接讀檔案更大
- Search MRR 0.35 — 語義搜尋排名仍需改進
- Flow Detection 33% recall — 僅在 Python framework pattern 上可靠
- 偏保守 — 刻意多抓（false positives）以確保不漏
研究價值與啟示¶
關鍵洞察¶
-
「只給 AI 需要的」比「讓 AI 更聰明」更有效。 8.2x token 節省不是靠更好的 LLM，而是靠圖譜精準定位——減少噪音比增加能力更實際。
-
Tree-sitter + SQLite 是輕量級程式碼理解的最佳組合。 不需要 LSP、不需要雲端服務——本地 AST 解析 + SQLite 就能建立有效的程式碼知識圖譜。
-
Blast-radius 概念應該成為所有 AI code review 的標配。 知道「改這一行會影響哪些檔案」是 code review 的核心問題，圖譜讓這個問題有了精確答案。
與其他專案的關聯¶
- vs Karpathy LLM Wiki： 兩者都是「用結構化知識減少 AI 的工作量」。LLM Wiki 編譯研究知識，Code Review Graph 編譯程式碼結構。
- 對 Fluffy 生態的啟示： fluffy-core（Django）跨多個 app 的依賴關係可以用 Code Review Graph 視覺化和追蹤，特別是在重構時理解 blast-radius。