35
// 项目简介
code-review-graph 使用 Tree-sitter 构建代码库的结构图，为 AI 助手提供精确且具备上下文感知的信息。通过增量跟踪变更并计算修改的影响范围，它显著降低了代码审查过程中的 Token 消耗。该工具通过 Model Context Protocol 与各种 AI 编码平台无缝集成，确保仅分析相关的代码内容。
// 技术分析
code-review-graph 是一款结构化分析工具，旨在通过智能上下文修剪来减少 token 消耗，从而优化 AI 编程助手。通过利用 Tree-sitter 构建代码实体及其关系的持久化图谱，它使 AI 模型能够专注于特定变更的“影响范围”，而不是扫描整个代码库。这种方法解决了当前 AI 编程工具经常重复读取大型代码库的低效问题，在复杂的开发环境中显著提升了性能并降低了成本。
// 核心亮点
01
通过为 AI 助手提供精确且结构相关的代码上下文，平均减少了 8.2 倍的 token 使用量。
02
仅通过重新解析已更改的文件及其直接依赖项，在 2 秒内完成增量更新。
03
支持 23 种编程语言和 Jupyter notebooks，可映射函数、类、导入和测试覆盖率。
04
通过 Model Context Protocol (MCP) 与 AI 工具集成，提供 28 种专门用于影响分析和架构映射等任务的工具。
05
具备多仓库守护进程，可在后台监控仓库，确保图谱无需人工干预即可保持最新状态。
06
提供高级架构洞察，包括中心/桥接检测、社区聚类以及基于风险评分的变更影响分析。
// 典型使用场景
01
影响范围分析，用于识别受影响的函数和测试用例
02
增量索引，实现对文件编辑和 git commit 的快速更新
03
利用结构化上下文和 MCP 实现 Token 高效的 AI 代码审查
// 快速开始
首先，使用 'pip install code-review-graph' 安装该包，然后运行 'code-review-graph install' 自动配置您的 AI 编程工具。执行 'code-review-graph build' 将您的代码库解析为结构化图谱。配置完成后，您可以通过 AI 助手使用诸如 'Build the code review graph for this project' 之类的命令与图谱进行交互。