code-review-graph：讓 AI 程式碼審查更精準、更省 Token

code-review-graph 是一個面向 AI 程式碼助手的開源工具，它會先在本地為程式碼庫建立一張結構化的「知識圖譜」，再把真正相關的上下文交給 AI，從而避免每次任務都全量掃描整個倉庫。它基於 Tree-sitter 解析 AST，把函式、類別、匯入、呼叫關係和測試關係組織成圖結構，再透過 MCP 提供給 Claude Code、Codex、Cursor 等工具使用。

它解決了什麼問題

目前許多 AI 程式碼工具在做程式碼審查、定位影響範圍或理解改動時，會反覆讀取整個程式碼庫，這會帶來明顯的 Token 浪費與成本上升。在一個數百檔案的倉庫裡，即使只改了一個函式，AI 也可能需要重新掃描大量無關檔案，導致速度變慢、上下文雜訊增加、費用變高。

code-review-graph 的思路是把「程式碼依賴關係」預先建模出來，讓 AI 在審查時只讀取改動真正波及到的檔案，而不是靠猜測去做全量掃描。官方把這種能力稱為 blast-radius analysis，也就是「爆炸半徑分析」：當某個檔案變更後，工具會沿著呼叫、繼承、依賴和測試鏈條往外追蹤，找出所有可能受影響的程式碼。

它怎麼工作

工具首先用 Tree-sitter 把倉庫解析成 AST，並擷取函式、類別、匯入、呼叫點、繼承關係與測試覆蓋等結構資訊，再把這些資訊存到本地 SQLite 圖資料庫中。到了程式碼審查階段，AI 不再直接讀整個專案，而是先查詢圖譜，拿到一份最小上下文集合，只閱讀與當前問題直接相關的檔案和節點。

它同時支援增量更新。後續更新只會重新解析發生變化的檔案，並透過雜湊與依賴追蹤來重新整理相關節點；在一個約 2,900 個檔案的專案中，重新索引可以控制在數秒內。對 monorepo 這類大型倉庫來說，這種方式尤其有價值，因為它能從上萬檔案裡縮小到十幾個真正需要讀取的檔案。

支援的平台與工具

code-review-graph 透過 MCP 集成到多種 AI 程式碼平台中，官方快速開始與平台說明中列出的支援對象包括 Claude Code、Codex、Cursor、Windsurf、Zed、Continue、Kiro、OpenCode、Antigravity、Qwen 和 Qoder。這代表它並不侷限於某一個 AI 編輯器，而是盡量把「圖譜上下文」能力接到不同的 coding agent 或 AI IDE 上。

如果只想替某一個平台單獨安裝，也可以明確指定平台名稱，例如：

code-review-graph install --platform codex
code-review-graph install --platform cursor
code-review-graph install --platform claude-code
code-review-graph install --platform kiro

如何使用

最基礎的使用流程很簡單：先安裝，再替 AI 工具寫入 MCP 設定，最後回到具體專案中建構圖譜。

pip install code-review-graph
code-review-graph install
cd /path/to/your/project
code-review-graph build

這裡有一個非常重要、也很容易寫得不清楚的點：

• code-review-graph install **不是**在專案根目錄裡執行的「專案初始化指令」，它本質上是一個**全域配置指令**。這個指令會自動偵測你機器上已安裝的 AI 程式碼工具，寫入對應的 MCP 設定，並把圖譜相關指令注入這些平台的規則配置中；執行完之後通常需要重啟對應的編輯器或工具。

• 相對地，code-review-graph build 才是應該在**專案根目錄**中執行的指令。官方說明是「Then open your project」，接著讓 AI assistant 為「this project」建立 code review graph；同時，工具的忽略檔 .code-review-graphignore 也明確要求放在 repository root，而本地的圖譜資料則存放在專案中的 .code-review-graph/ 目錄裡。換句話說，install 負責把能力接入你的 AI 工具，build 負責對當前倉庫實際建圖。

如果希望避免讀者混淆，可以直接用表格對照這兩個指令的職責：

如果編輯器本身不支援 hooks，或者希望圖譜在背景持續保持最新，還可以使用 daemon 模式。工具提供了 crg-daemon add、crg-daemon start、crg-daemon status 等指令，用來註冊多個倉庫並自動監聽檔案變化。

常用指令

除了安裝與建圖，code-review-graph 還提供一組相對完整的 CLI 能力：

在支援 Slash Commands 的工具中，還可以直接使用：

• /code-review-graph:build-graph

• /code-review-graph:review-delta

• /code-review-graph:review-pr

來觸發對應的工作流程。

效果如何

官方基準測試基於 6 個真實開源倉庫、13 次提交進行評估，結果顯示 graph 模式相對於簡單的全量讀取，平均可以把 Token 消耗降到原來的大約八分之一，整體降低約 8.2 倍。從公開數據看，不同倉庫的收益並不完全一樣，但大部分中大型專案都有相當明顯的下降幅度。

另一個重點指標是變更影響分析的準確度。官方給出的結果是召回率（Recall）達到 100%，平均 F1 為 0.54、平均精確率（Precision）為 0.38。這說明它在策略上偏保守：寧可多提示一些「可能受影響」的檔案，也盡量不漏掉真正會被改動波及的依賴。

當然，這種方式並不是所有場景都佔優。在體量較小、改動又非常局部的專案中，圖譜中繪的額外上下文開銷，有時反而可能大於直接讀取檔案的成本，例如在某些單檔案變更測試中，Token reduction 甚至只有 0.7 倍。換句話說，它最適合的場景仍然是：中大型專案、多檔案改動、依賴關係複雜，以及高頻使用 AI 做程式碼審查的工作流。

適合哪些團隊

如果團隊已經把 Claude Code、Codex、Cursor 或類似工具納入日常開發流程，而且專案規模較大、模組關係複雜、Pull Request 審查頻繁，那麼 code-review-graph 的價值會非常直接。它本質上不是取代程式碼審查，而是先幫 AI 把「該讀什麼」這件事做好，讓後續的 review、除錯、架構分析和新成員 onboarding 都建立在更準確的上下文上。

對於個人專案、很小的倉庫或只是偶爾做一些簡單改動，它未必總能帶來明顯收益。但對於希望系統性降低 AI 程式碼成本、減少上下文雜訊、提升程式碼審查命中率的團隊來說，code-review-graph 已經展現出相當實用的效果。