Code Review Graph：用程式碼知識圖譜讓 AI 編碼工具節省 82 倍 Token

2026-07-21 MCP AI 編碼 Claude Code Cursor 程式碼審查 Token 優化

Code Review Graph：用程式碼知識圖譜讓 AI 編碼工具節省 82 倍 Token

TL;DR： AI 編碼工具（Claude Code、Cursor、Copilot）在程式碼審查時會重新讀取整個程式碼庫，浪費大量 token。code-review-graph 使用 Tree-sitter 建構程式碼結構知識圖譜，透過 MCP 協定為 AI 工具提供精準上下文，實測減少 82 倍 token 消耗。

這是什麼專案？

code-review-graph 是一個本機優先的程式碼智慧知識圖譜工具，今天（2026-07-21）登上 GitHub Trending 第一名，24 小時內漲星 1,876，總星數突破 22,900。

核心問題： 當你使用 Claude Code 或 Cursor 進行程式碼審查時，AI 會重新讀取大量程式碼檔案，即使只修改了一個函式。對於大型專案，這意味著每次審查都要消耗數萬甚至數十萬 token。

解決方案： code-review-graph 使用 Tree-sitter 將程式碼解析為 AST（抽象語法樹），建構函式、類別、匯入、呼叫關係的知識圖譜。當檔案變更時，知識圖譜會追蹤所有呼叫者、相依項目和受影響的測試，計算出「爆炸半徑」——AI 只需要讀取這些相關檔案，而不是整個程式碼庫。

實測數據： - 中位數 token 減少：82 倍（6 個開源專案測試） - 最佳案例：FastAPI 專案減少 528 倍（95 萬 token → 2,169 token） - 增量更新：2,900 檔案專案 2 秒內完成重新索引

安裝設定

系統需求

Python 3.10+
Git 或 SVN 儲存庫
推薦安裝 uv（更快的套件管理器）

一鍵安裝

# 安裝 code-review-graph
pip install code-review-graph
# 或使用 pipx
pipx install code-review-graph

# 自動偵測並設定所有支援的 AI 編碼工具
code-review-graph install

# 建構程式碼知識圖譜（首次約 10 秒/500 檔案）
code-review-graph build

install 指令會自動偵測你安裝了哪些 AI 編碼工具（Claude Code、Cursor、Copilot、Gemini CLI、Codex、Kiro 等），為每個工具寫入正確的 MCP 設定，安裝平台原生的 hooks/skills，並注入知識圖譜感知指令。

指定平台設定

如果只想設定特定工具：

# 只設定 Claude Code
code-review-graph install --platform claude-code

# 只設定 Cursor
code-review-graph install --platform cursor

# 只設定 GitHub Copilot
code-review-graph install --platform copilot

# 只設定 Gemini CLI
code-review-graph install --platform gemini-cli

安裝完成後，重新啟動你的編輯器或 AI 工具。

快速上手

第一步：建構知識圖譜

在你的專案根目錄執行：

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

首次建構會解析所有程式碼檔案，提取函式、類別、匯入、呼叫關係，儲存為知識圖譜資料庫。500 檔案專案約需 10 秒。

第二步：使用 AI 工具

開啟你的 AI 編碼工具（Claude Code、Cursor 等），直接提問：

Build the code review graph for this project

AI 會透過 MCP 協定查詢知識圖譜，取得精準的程式碼上下文。

第三步：程式碼審查

當你進行 PR 審查時，AI 工具會自動： 1. 偵測變更的檔案 2. 查詢知識圖譜，找出所有呼叫者、相依項目、受影響的測試 3. 只讀取這些相關檔案（而不是整個程式碼庫） 4. 生成精準的審查意見

範例場景： 你修改了 auth.py 中的 validate_token() 函式。知識圖譜會追蹤： - 所有呼叫 validate_token() 的檔案 - 繼承自相關基底類別的類別 - 相關的測試檔案 - 相依這些檔案的其他模組

AI 只需要讀取這些檔案（通常 10-20 個），而不是整個程式碼庫（可能上千個檔案）。

進階功能

MCP 整合原理

code-review-graph 透過 MCP（Model Context Protocol）與 AI 工具通訊。MCP 是一個開放協定，讓 AI 模型能夠存取外部工具和資料來源。

工作流程： 1. AI 工具收到程式碼審查請求 2. 透過 MCP 呼叫 code-review-graph 的工具 3. code-review-graph 查詢知識圖譜，回傳最小檔案集合 4. AI 只讀取這些檔案，生成審查意見

支援的 MCP 工具（30+）： - get_review_context：取得審查上下文 - get_blast_radius：取得變更影響範圍 - get_callers：取得函式呼叫者 - get_dependencies：取得檔案相依項目 - get_test_coverage：取得測試涵蓋情況 - ...

GitHub Action 整合

code-review-graph 提供官方 GitHub Action，可以在 PR 上自動生成程式碼審查留言。

# .github/workflows/code-review-graph.yml
name: Code Review Graph
on:
  pull_request:

permissions:
  contents: read
  pull-requests: write

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: tirth8205/code-review-graph@v2.3.6
        with:
          github-token: ${{ secrets.GITHUB_TOKEN }}

功能： - 每個 PR 自動生成一條黏性留言（sticky comment） - 包含風險評分函式、受影響的執行流程、測試缺口 - 每次 push 自動更新留言 - 可選 fail-on-risk 輸入，將審查作為合併門禁

本機優先： 知識知識圖譜完全在 CI runner 上建構和查詢，不會將原始碼傳送到任何外部服務。

增量更新與 Watch 模式

當啟用 hooks 或 watch 模式時，檔案儲存和提交鉤子會觸發增量更新：

# 啟用 watch 模式（檔案儲存時自動更新）
code-review-graph watch

# 啟用 pre-commit hook
code-review-graph install --hooks

增量更新流程： 1. 偵測變更的檔案 2. 透過 SHA-256 雜湊檢查，找出受影響的相依項目 3. 只重新解析變更的檔案 4. 更新知識圖譜資料庫

2,900 檔案專案增量更新 < 2 秒。

自訂語言支援

code-review-graph 支援 40+ 種程式語言（Python、JavaScript/TypeScript、Go、Rust、Java、C/C++、C#、Ruby、Kotlin、Swift 等）。

如果你的專案使用未支援的語言，可以在 .code-review-graph/languages.toml 中自訂：

[languages.erlang]
extensions = [".erl"]
grammar = "erlang"
function_node_types = ["function_clause"]
class_node_types = ["record_decl"]
import_node_types = ["import_attribute"]
call_node_types = ["call"]

Tree-sitter 剖析器會自動處理提取，無需修改程式碼。詳見 docs/CUSTOM_LANGUAGES.md。

解除安裝

# 預覽解除安裝操作
code-review-graph uninstall --dry-run

# 確認並解除安裝
code-review-graph uninstall

# 跳過確認
code-review-graph uninstall --yes

# 清理所有儲存庫
code-review-graph uninstall --all-repos

# 保留知識圖譜資料庫
code-review-graph uninstall --keep-data

解除安裝只會移除 code-review-graph 相關的檔案和設定，不會影響其他 MCP 伺服器或工具。

效能數據

code-review-graph 在 6 個真實開源專案上進行了基準測試（13 個提交）：

專案	程式碼庫 Token 數	知識圖譜查詢 Token 數	減少倍數
FastAPI	951,071	2,169	528.4x
code-review-graph	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

中位數：82 倍減少

注意： 528 倍是最佳案例（FastAPI，最大的程式碼庫），不是典型結果。實際減少取決於專案大小和查詢類型。

對比基準： 上述「全程式碼庫」是理論上限，實際 AI 工具會 grep 搜尋識別字，只讀取最符合的檔案。code-review-graph 的優勢在於： - 精確追蹤相依關係（不只是文字比對） - 包含呼叫鏈、繼承關係、測試涵蓋 - 增量更新，避免重複解析

適用場景

適合使用

大型程式碼庫： 1000+ 檔案的專案，token 浪費最嚴重
頻繁程式碼審查： 每天多個 PR 的團隊
單體儲存庫（Monorepo）： 27,700+ 檔案的超大型專案
CI/CD 整合： 自動化程式碼審查門禁
多語言專案： 支援 40+ 種語言

較不適合

小型專案： 100 檔案以下，token 消耗本身不大
純前端專案： 如果沒有複雜相依關係，收益有限
非 Git/SVN 專案： 目前只支援 Git 和 SVN

總結

code-review-graph 解決了 AI 編碼工具的一個核心痛點：token 浪費。透過建構程式碼結構知識圖譜，AI 工具可以精準取得上下文，而不是重新讀取整個程式碼庫。

核心優勢： - ✅ 節省 token： 中位數 82 倍減少，降低 API 成本 - ✅ 精準審查： 追蹤相依關係，不遺漏影響範圍 - ✅ 本機優先： 程式碼不離開本機，安全合規 - ✅ 增量更新： 2 秒內完成大型專案重新索引 - ✅ 廣泛整合： 支援 Claude Code、Cursor、Copilot、Gemini CLI 等 - ✅ GitHub Action： 自動化 PR 審查

下一步： 1. 在你的專案上安裝 code-review-graph 2. 建構知識圖譜，體驗 token 節省效果 3. 整合到 CI/CD，自動化程式碼審查 4. 檢視官方文件了解更多進階用法

專案連結： - GitHub：tirth8205/code-review-graph - 官網：code-review-graph.com - Discord：加入社群

延伸閱讀： - Claude Code 接入 DeepSeek V4 終端 AI 程式設計指南 - 2026 年終端模擬器橫評：Ghostty vs Tabby vs Alacritty vs Kitty - OpenCode：開源終端 AI 編碼 Agent 完全指南

GitHub Trending 第一的 code-review-graph 深度解析：本機程式碼智慧知識圖譜如何為 Claude Code、Cursor、Copilot 提供精準上下文，減少 82 倍 token 消耗