使用 Claude Code、Cursor 等 AI 编程助手时，开发者常遇到一个痛点：仅修改几行代码，AI 却会扫描整个项目文件，消耗大量 Token。code-review-graph 通过为代码库构建"知识图谱"，让 AI 只读取与变更相关的文件，大幅降低 Token 消耗。
核心原理
该项目使用 Tree-sitter 将代码解析为结构化图谱，存入本地 SQLite，并通过 MCP 协议告诉 AI "只需要看这几个文件"。
- 建图：首次运行扫描项目，提取函数、类、导入关系、调用链路等，生成代码结构图谱。500 个文件的项目约需 10 秒。
- 增量更新：通过 SHA-256 哈希校验检测变更文件，仅重新解析受影响节点。2900 个文件的项目增量更新不到 2 秒。
- 精准投喂：计算变更的"影响半径"（blast radius），只向 AI 提供相关的结构摘要。
性能数据
在 6 个真实开源仓库的基准测试中，code-review-graph 平均将 Token 消耗降至原来的 1/8（节省 8.2 倍），且影响分析召回率为 100%。
| 仓库 | 传统方式 Token | 图谱方式 Token | 节省倍数 |
|---|---|---|---|
| Flask | 44,751 | 4,252 | 9.1x |
| Gin | 21,972 | 1,153 | 16.4x |
| httpx | 12,044 | 1,728 | 6.9x |
| Next.js | 9,882 | 1,249 | 8.0x |
| FastAPI | 4,944 | 614 | 8.1x |
| 平均 | — | — | 8.2x |
如何使用
# 1. 安装
pip install code-review-graph
# 2. 自动配置（检测 Claude Code、Cursor、Copilot 等）
code-review-graph install
# 3. 建图
code-review-graph buildinstall 命令会自动检测已安装的 AI 工具并写入 MCP 配置。支持 24 种编程语言 及 Jupyter Notebook。
亮点功能
- 影响半径可视化：生成交互式 D3.js 力导向图，直观展示代码模块依赖关系。
- Hub/Bridge 节点检测：自动识别核心函数（Hub）和架构瓶颈（Bridge）。
- 知识缺口分析：识别缺乏测试覆盖的热点代码和孤立模块。
- Monorepo 友好：在 27,700+ 文件的仓库中，仍能将审查范围压缩到约 15 个文件。
与 DESIGN.md 的对比
与 Google 的 DESIGN.md（描述设计系统）不同，code-review-graph 专注于描述代码结构。两者的共同点是：不让 AI 从零开始猜测，而是提前准备好结构化知识。
声明：本站原创文章文字版权归本站所有，转载务必注明作者和出处；本站转载文章仅仅代表原作者观点，不代表本站立场，图文版权归原作者所有。如有侵权，请联系我们删除。