Code Review Graph：用代码图谱让 AI 编码工具节省 82 倍 Token

TL;DR： AI 编码工具（Claude Code、Cursor、Copilot）在代码审查时会重新读取整个代码库，浪费大量 token。code-review-graph 用 Tree-sitter 构建代码结构图谱，通过 MCP 协议为 AI 工具提供精准上下文，实测减少 82 倍 token 消耗。

这是什么项目？

code-review-graph 是一个本地优先的代码智能图谱工具，今天（2026-07-21）登上 GitHub Trending 第一，24 小时内涨星 1,876，总星数突破 22,900。

核心问题： 当你用 Claude Code 或 Cursor 做代码审查时，AI 会重新读取大量代码文件，即使只改了一个函数。对于大型项目，这意味着每次审查都要消耗数万甚至数十万 token。

解决方案： code-review-graph 用 Tree-sitter 解析代码为 AST（抽象语法树），构建函数、类、导入、调用关系的图谱。当文件变更时，图谱追踪所有调用者、依赖项和受影响的测试，计算出"爆炸半径"——AI 只需要读取这些相关文件，而不是整个代码库。

实测数据： - 中位数 token 减少：82 倍（6 个开源项目测试） - 最佳案例：FastAPI 项目减少 528 倍（95 万 token → 2,169 token） - 增量更新：2,900 文件项目 2 秒内完成重新索引

安装配置

系统要求

• Python 3.10+
• Git 或 SVN 仓库
• 推荐安装 uv（更快的包管理器）

一键安装

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

# 自动检测并配置所有支持的 AI 编码工具
code-review-graph install

# 构建代码图谱（首次约 10 秒/500 文件）
code-review-graph build

install 命令会自动检测你安装了哪些 AI 编码工具（Claude Code、Cursor、Copilot、Gemini CLI、Codex、Kiro 等），为每个工具写入正确的 MCP 配置，安装平台原生的 hooks/skills，并注入图谱感知指令。

指定平台配置

如果只想配置特定工具：

# 只配置 Claude Code
code-review-graph install --platform claude-code

# 只配置 Cursor
code-review-graph install --platform cursor

# 只配置 GitHub Copilot
code-review-graph install --platform copilot

# 只配置 Gemini CLI
code-review-graph install --platform gemini-cli

安装完成后，重启你的编辑器或 AI 工具。

快速上手

第一步：构建图谱

在你的项目根目录运行：

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

首次构建会解析所有代码文件，提取函数、类、导入、调用关系，存储为图谱数据库。500 文件项目约 10 秒。

第二步：使用 AI 工具

打开你的 AI 编码工具（Claude Code、Cursor 等），直接提问：

Build the code review graph for this project

AI 会通过 MCP 协议查询图谱，获取精准的代码上下文。

第三步：代码审查

当你做 PR 审查时，AI 工具会自动： 1. 检测变更的文件 2. 查询图谱，找出所有调用者、依赖项、受影响的测试 3. 只读取这些相关文件（而不是整个代码库） 4. 生成精准的审查意见

示例场景： 你修改了 auth.py 中的 validate_token() 函数。图谱会追踪： - 所有调用 validate_token() 的文件 - 继承自相关基类的类 - 相关的测试文件 - 依赖这些文件的其他模块

AI 只需要读取这些文件（通常 10-20 个），而不是整个代码库（可能上千个文件）。

进阶功能

MCP 集成原理

code-review-graph 通过 MCP（Model Context Protocol） 与 AI 工具通信。MCP 是一个开放协议，让 AI 模型能够访问外部工具和数据源。

工作流程： 1. AI 工具收到代码审查请求 2. 通过 MCP 调用 code-review-graph 的工具 3. code-review-graph 查询图谱，返回最小文件集合 4. AI 只读取这些文件，生成审查意见

支持的 MCP 工具（30+）： - get_review_context：获取审查上下文 - get_blast_radius：获取变更影响范围 - get_callers：获取函数调用者 - get_dependencies：获取文件依赖 - get_test_coverage：获取测试覆盖情况 - ...

GitHub Action 集成

code-review-graph 提供官方 GitHub Action，可以在 PR 上自动生成代码审查评论。

# .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： - 每个 PR 自动生成一条粘性评论（sticky comment） - 包含风险评分的函数、受影响的执行流、测试缺口 - 每次 push 自动更新评论 - 可选 fail-on-risk 输入，将审查作为合并门禁

本地优先： 知识图谱完全在 CI runner 上构建和查询，不会将源代码发送到任何外部服务。

增量更新与 Watch 模式

当启用 hooks 或 watch 模式时，文件保存和提交钩子会触发增量更新：

# 启用 watch 模式（文件保存时自动更新）
code-review-graph watch

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

增量更新流程： 1. 检测变更的文件 2. 通过 SHA-256 哈希检查，找出受影响的依赖 3. 只重新解析变更的文件 4. 更新图谱数据库

2,900 文件项目增量更新 < 2 秒。

自定义语言支持

code-review-graph 支持 40+ 种编程语言（Python、JavaScript/TypeScript、Go、Rust、Java、C/C++、C#、Ruby、Kotlin、Swift 等）。

如果你的项目使用未支持的语言，可以在 .code-review-graph/languages.toml 中自定义：

[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 解析器会自动处理提取，无需修改代码。详见 docs/CUSTOM_LANGUAGES.md。

卸载

# 预览卸载操作
code-review-graph uninstall --dry-run

# 确认并卸载
code-review-graph uninstall

# 跳过确认
code-review-graph uninstall --yes

# 清理所有仓库
code-review-graph uninstall --all-repos

# 保留图谱数据库
code-review-graph uninstall --keep-data

卸载只移除 code-review-graph 相关的文件和配置，不会影响其他 MCP 服务器或工具。

性能数据

code-review-graph 在 6 个真实开源项目上进行了基准测试（13 个提交）：

中位数：82 倍减少

注意： 528 倍是最佳案例（FastAPI，最大代码库），不是典型结果。实际减少取决于项目大小和查询类型。

对比基线： 上述"全代码库"是理论上限，实际 AI 工具会 grep 搜索标识符，只读取最匹配的文件。code-review-graph 的优势在于： - 精确追踪依赖关系（不只是文本匹配） - 包含调用链、继承关系、测试覆盖 - 增量更新，避免重复解析

适用场景

适合使用

• 大型代码库： 1000+ 文件的项目，token 浪费最严重
• 频繁代码审查： 每天多个 PR 的团队
• 单体仓库（Monorepo）： 27,700+ 文件的超大项目
• CI/CD 集成： 自动化代码审查门禁
• 多语言项目： 支持 40+ 种语言

不太适合

• 小型项目： 100 文件以下，token 消耗本身不大
• 纯前端项目： 如果没有复杂依赖关系，收益有限
• 非 Git/SVN 项目： 目前只支持 Git 和 SVN

总结

code-review-graph 解决了 AI 编码工具的一个核心痛点：token 浪费。通过构建代码结构图谱，AI 工具可以精准获取上下文，而不是重新读取整个代码库。

核心优势： - ✅ 节省 token： 中位数 82 倍减少，降低 API 成本 - ✅ 精准审查： 追踪依赖关系，不遗漏影响范围 - ✅ 本地优先： 代码不离开本地，安全合规 - ✅ 增量更新： 2 秒内完成大型项目重新索引 - ✅ 广泛集成： 支持 Claude Code、Cursor、Copilot、Gemini CLI 等 - ✅ GitHub Action： 自动化 PR 审查

下一步： 1. 在你的项目上安装 code-review-graph 2. 构建图谱，体验 token 节省效果 3. 集成到 CI/CD，自动化代码审查 4. 查看 官方文档 了解更多高级用法

项目链接： - GitHub：tirth8205/code-review-graph - 官网：code-review-graph.com - Discord：加入社区

延伸阅读： - Claude Code 接入 DeepSeek V4 终端 AI 编程指南 - 2026 年终端模拟器横评：Ghostty vs Tabby vs Alacritty vs Kitty - OpenCode：开源终端 AI 编码 Agent 完全指南