code-review-graph
本地代码知识图谱工具，通过 MCP 让 AI 编程工具只读「该读的」，节省 38x-528x Tok
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
微信扫码咨询客服
POMOAI — 让开源 AI 即刻运行
本地代码知识图谱工具，通过 MCP 让 AI 编程工具只读「该读的」，节省 38x-528x Tok
加载项目详情…
本应用为开源项目，仅供学习研究，请遵守其开源协议。
当你打开一个 10 万行的代码仓库，请 AI 工具帮忙审查代码质量时，你有没有想过：它真的读懂了整个项目吗？
现实是残酷的。 大多数 AI 编码工具在面对陌生代码库时，会像一个刚入职的实习生——拿着目录权限却不知道从何读起。它们往往把整个仓库都塞进上下文窗口，白白烧掉大量 Token，最终却只能给出一个泛泛的评价。「感觉这里可能有问题」「建议检查一下这部分代码」——这种隔靴搔痒的回复，相信每个用过 AI 代码审查的人都见过。
tirth8205/code-review-graph 正是来解决这个问题的。它为 AI 编码工具打造了一个「代码导览图」——先用 Tree-sitter 解析代码结构，建立起代码元素的依赖关系图，再通过 MCP 协议让 AI 工具在需要时精准读取相关文件，而不是「先全读一遍再说」。
传统 AI 代码审查的工作流是：把整个仓库或某个目录下的所有文件都塞进上下文。这在小型项目里没问题，但面对中大型代码库时，Token 消耗急剧上升。更要命的是，AI 经常读到大量无关代码，导致：
Code Review Graph 的核心思路是：让 AI 在审查前先「看地图」。它用 Tree-sitter 这棵业界标准的解析器，对代码进行 AST 级别的结构分析，识别函数、类、模块之间的调用关系和依赖图谱。在此基础上，AI 工具只需要读取与变更点直接相关的代码上下文，大幅减少 Token 消耗，同时提升分析质量。
安装后运行 code-review-graph build，工具会：
这个持久化的图谱以本地文件存储，支持 Git 增量更新——每次 git commit 后自动更新相关节点，不重复劳动。
这是项目最核心的差异化能力。通过 MCP（Model Context Protocol）协议，Code Review Graph 与 AI 编码工具深度集成：
项目声称在 6 个真实仓库上的测试中，Token 消耗降低了 38 倍到 528 倍，这意味着同样 Token 预算下，可以审查更深层次的代码逻辑。
运行 code-review-graph install，工具自动：
~/.config/ 等平台指定路径）项目内置 evaluate/ 目录的评估框架，支持对比「有图谱」和「无图谱」两种审查方式的 Token 消耗差异，配有 matplotlib 可视化图表，帮助团队量化优化效果。
项目架构非常清晰：
代码结构模块化，主要逻辑在 code_review_graph/ 包下，分为 CLI 入口、Daemon 模式、MCP Server 三大入口。hooks/session-start.sh 支持编辑器会话启动时自动更新图谱。
项目状态为 Beta (4 - Beta)，有完整的 CI/CD 测试（GitHub Actions），代码质量维护较为积极。
纯 CLI 工具，pip 一键安装，对 Python 3.10+ 友好。无 Web UI，全部操作在终端完成。适合有 CLI 经验的开发者。
安装流程：
pip install code-review-graph
code-review-graph install # 自动配置 MCP
code-review-graph build # 构建图谱
最适合以下场景：
对于小型项目（万行以内），安装成本可能高于收益。
项目目前仍处于 Beta 阶段，存在一些局限：
Code Review Graph 代表着 AI 编码工具领域的一个重要趋势：从「全量上下文」到「精准上下文」的范式转变。
随着 Claude Code、Cursor、Windsurf 等 AI 编码工具的普及，如何让它们在大型项目中更高效地工作，成为一个迫切需求。GraphRAG（知识图谱增强检索）技术在代码领域的应用，本质上是将 RAG 的「语义检索」和「结构化图谱」结合，针对代码这种天然具有结构化依赖关系的数据，效果尤为显著。
如果这个方向得到验证，未来可能会出现更多类似项目：针对测试生成、代码重构、bug 定位等不同任务的专用图谱增强方案。
图1：6个真实仓库测试中，Token消耗从38倍降至528倍的对比图。红色为无图谱全量读取，蓝色为使用图谱后精准上下文读取。