每日开源 · 110 期

2026-07-25 · 早间篇

🗺️

code-review-graph

by tirth8205

AI 代码审查的「导航卫星」：用 Tree-sitter 把代码库解析成持久知识图谱，节点是函数/类/导入，边是调用/继承/测试覆盖。AI 编码工具不再全量扫描，而是通过 MCP 只读取「影响半径」内的精准上下文。中位数 Token 降低 82 倍，增量更新 < 2 秒，28+ 语言，MIT 开源。

19.8k**+663**

Stars

714

Commits

104

Pull Requests

MIT

License

PythonTree-sitterMCP ProtocolKnowledge GraphLocal-first

⚠️ 本文基于公开仓库信息与官方文档整理，仅供技术学习参考。

🎯 一句话定位

code-review-graph 是一个本地优先的代码智能图谱引擎。它用 Tree-sitter 解析你的代码库，构建一张持久的图：函数、类、导入是节点，调用关系、继承链、测试覆盖是边。当 AI 编码工具（Claude Code、Cursor、Codex、Copilot 等）需要做代码审查或回答架构问题时，不再盲目读取整个代码库，而是通过 MCP 协议查询这张图，只获取「影响半径」内的精准上下文。实测 Token 消耗中位数降低 82 倍。

🔥 核心机制：从全量扫描到精准导航

1. 三步建图

• 🌳

  Tree-sitter 解析：代码 → AST，提取函数、类、导入、调用点

• 🕸️

  图存储：节点（函数/类/导入）+ 边（调用/继承/测试覆盖），存为 SQLite

• 🔄

  增量更新：文件保存或 git 提交触发，仅重新解析变更文件，2,900 文件项目 < 2 秒

2. 影响半径分析（Blast-radius）

当某个文件发生变更时，图引擎会沿着调用链反向追踪：谁调用了这个函数？哪些测试覆盖了它？哪些类继承了它？这就是变更的**「影响半径」**。AI 只需读取这十几个文件，而非扫描整个项目。

Monorepo 实战数据：某 27,700+ 文件的项目中，图引擎排除了 27,700+ 个无关文件，仅让 AI 读取约 15 个真正相关的文件。

3. MCP 精准投喂

图构建完成后，code-review-graph 通过 MCP 协议向 AI 助手暴露 30 个工具。AI 不再需要「打开整个文件夹」，而是按需调用工具：

get_minimal_context_tool

超紧凑上下文（~100 tokens），首选调用

get_impact_radius_tool

变更文件的影响半径

get_review_context_tool

Token 优化的审查上下文

query_graph_tool

查询调用者、被调用者、测试、继承

traverse_graph_tool

BFS/DFS 遍历，可设 token 预算

semantic_search_nodes_tool

语义搜索代码实体

get_hub_nodes_tool

查找架构热点（连接最多）

get_bridge_nodes_tool

通过介数中心性找架构瓶颈

detect_changes_tool

风险评分的变更影响分析

refactor_tool

重命名预览、死代码检测

📊 基准测试：Token 效率

针对 6 个真实开源仓库（13 次提交）的自动化评估，测量「全量读取」vs「图查询」的 Token 消耗：

仓库	全量 Token	图查询 Token	降低倍数
fastapi
951,071
2,169
528.4x
code-review-graph 自身
208,821
2,495
93.0x
gin
166,868
1,990
91.8x
flask
125,022
1,986
71.4x
express
135,955
3,465
40.6x
httpx
89,492
2,438
38.0x

中位数降低 ~82 倍（范围 38x – 528x）。所有配置固定上游 SHA、Leiden 社区检测器使用固定种子、CPU 上嵌入确定性——不同机器运行结果完全一致。完整复现指南见 docs/REPRODUCING.md。

🛠️ 功能全景

能力	说明
增量更新
仅重新解析变更文件，后续更新 < 2 秒
广泛语言覆盖
Python, JS/TS/TSX, Go, Rust, Java, C/C++, C#, Ruby, Kotlin, Swift, PHP, Scala, Solidity, Dart, R, Perl, Lua, Elixir, Zig, PowerShell, Julia, Vue/Svelte SFC, Astro, Jupyter (.ipynb) 等 28+
自定义语言
无需 fork，languages.toml 配置即可添加 Tree-sitter 支持的任何语言
语义搜索
向量嵌入（sentence-transformers / Gemini / OpenAI 兼容端点）
社区检测
Leiden 算法自动聚类，过大社区递归分割
交互式可视化
D3.js 力导向图，支持搜索、社区切换
Hub / Bridge 检测
架构热点与瓶颈识别（介数中心性）
异常评分
检测跨社区、跨语言的意外耦合
知识缺口
孤立节点、未测试热点、薄弱社区
执行流追踪
从入口点追踪调用链，按关键度排序
风险评分审查
PR 级变更映射到受影响函数、测试缺口
图差异
比较不同时间的图快照
导出格式
GraphML (Gephi/yEd)、Neo4j Cypher、Obsidian Wiki、SVG
记忆循环
问答结果持久化为 Markdown，图从查询中不断成长
Wiki 生成
从社区结构自动生成 Markdown Wiki
多仓库注册
跨仓库搜索与管理
CI / GitHub Action
风险评分 PR 审查，本地运行，源码不外出

⚡ 快速开始

# 1. 安装（Python 3.10+） pip install code-review-graph # 或: pipx install code-review-graph# 2. 自动检测并配置所有支持的 AI 平台 code-review-graph install # 3. 解析代码库（500 文件约 10 秒） code-review-graph build # 4. 然后向 AI 助手提问# “Build the code review graph for this project”# 常用命令 code-review-graph update # 增量更新 code-review-graph watch # 监听模式，文件变更自动更新 code-review-graph visualize # 交互式 HTML 可视化 code-review-graph detect-changes # 风险评分变更分析 code-review-graph eval # 运行基准测试

支持平台自动检测：Codex、Claude Code、Cursor、Windsurf、Zed、Continue、OpenCode、Antigravity、Gemini CLI、Qwen、Kiro、Qoder、GitHub Copilot（VS Code + CLI）。

🏗️ 技术栈

层级	技术选型
语言
Python 3.10+
解析器
Tree-sitter（AST 提取）+ tree_sitter_language_pack
图存储
SQLite（本地 .code-review-graph/ 目录，无需外部数据库）
图算法
Leiden 社区检测、介数中心性、BFS/DFS 遍历
向量嵌入
sentence-transformers / Google Gemini / OpenAI 兼容端点
搜索
FTS5 混合搜索（关键词 + 向量相似度）
可视化
D3.js 力导向图
协议
MCP（Model Context Protocol）
CI
Composite GitHub Action
包管理
uv / pip / pipx 均支持

💡 三个使用场景

• 🔍

  架构探索：新入职开发者问「认证系统怎么工作的？」图查询返回调用链、关键函数和社区边界，AI 用 2,000 tokens 回答，而非读取 200 个文件

• 📝

  PR 审查：提交一个 3 文件变更，图引擎计算影响半径，发现 2 个未覆盖的调用点和 1 个跨社区耦合，AI 精准指出风险

• 🧹

  重构决策：想重命名一个核心函数，refactor_tool 预览所有受影响位置，避免遗漏

✅

优势

• Token 效率惊人：中位数 82 倍降低，fastapi 项目最佳 case 达 528 倍——直接降低 AI 编程工具的 API 成本

• 本地优先：SQLite 存储在项目目录，源码不外出，GitHub Action 也在 CI runner 本地运行

• 28+ 语言支持几乎覆盖所有主流编程语言，还可通过 languages.toml 自定义添加

• MCP 原生：30 个工具通过标准 MCP 协议暴露，兼容 Claude Code / Cursor / Codex / Copilot 等所有主流平台

• 增量更新 < 2 秒：大型项目持续索引无压力，watch 模式自动跟踪变更

• 工程成熟度高：714 commits、104 PRs、多语言 README、完整文档（USAGE / COMMANDS / FAQ / TROUBLESHOOTING / ROADMAP）、可复现基准测试

• 丰富的分析能力：影响半径、Hub/Bridge 检测、社区聚类、知识缺口、异常评分、执行流追踪——不仅是「少读」，更是「读懂」

• MIT 开源：完全免费，可商用

**

⚠️

劣势与注意事项

• 仅支持已跟踪文件：git 仓库中只索引 git ls-files 的文件，未跟踪文件被忽略；非 git 环境需手动管理

• 嵌入仅到函数签名：当前只嵌入函数签名（~10 tokens/节点），body/docstring 嵌入已列为后续任务

• Python 运行时依赖：需要 Python 3.10+，对纯前端/Node 团队不够友好

• 首次构建有开销：500 文件约 10 秒，大型 monorepo 首次索引可能需要数分钟

• GraphRAG 竞品涌现：CocoIndex、CodeGraph、GitNexus 等也在做代码知识图谱，差异化竞争加剧

🎯 适合谁用

• 💰

  AI 编程工具重度用户：每天烧大量 Token 做代码审查或架构探索的团队，想显著降低 API 账单

• 🏢

  Monorepo 维护者：大型代码库中，AI 全量扫描太慢、Token 太贵，需要精准上下文

• 🔧

  代码审查流程团队：希望在 CI 中自动运行风险评分审查，作为合并门禁

• 🏗️

  架构师：需要 Hub/Bridge 检测、社区聚类、知识缺口分析来理解系统演化

• 🔒

  隐私敏感团队：源码不能上传外部服务，需要完全本地运行的代码智能方案

⭐ 去 GitHub 点亮 Star

📎 信息来源

1. GitHub 仓库主页：tirth8205/code-review-graph（Stars 19,762，Forks 2,107，MIT License）

2. GitHub API 确认：api.github.com/repos/tirth8205/code-review-graph（Python，714 Commits，created 2026-02-26）

3. 官方 README 与中文翻译 README.zh-CN.md

4. 基准测试文档：docs/REPRODUCING.md

5. 使用文档：docs/USAGE.md、docs/COMMANDS.md、docs/FAQ.md、docs/GITHUB_ACTION.md

6. GitHub Trending 今日榜单（2026-07-25）：github.com/trending

7. 腾讯云开发者社区技术解读

每日开源 · 第 110 期 · 2026-07-25

本文基于公开仓库信息与官方文档整理，仅供技术学习参考

**