Code Review Graph : économisez 82 fois plus de tokens grâce au graphe de code

TL;DR : Les outils d'encodage IA (Claude Code, Cursor, Copilot) relisent l'intégralité du code lors des revues de code, ce qui gaspille énormément de tokens. code-review-graph utilise Tree-sitter pour construire un graphe de structure de code et fournit un contexte précis aux outils IA via le protocole MCP. Résultat : une réduction de 82 fois la consommation de tokens.

De quoi s'agit-il ?

code-review-graph est un outil de graphe de code intelligent, prioritairement local. Aujourd'hui (2026-07-21), il est numéro 1 sur GitHub Trending, avec 1 876 étoiles gagnées en 24 heures et un total dépassant les 22 900 étoiles.

Le problème : Quand vous utilisez Claude Code ou Cursor pour une revue de code, l'IA relit une quantité massive de fichiers, même si vous n'avez modifié qu'une seule fonction. Pour les grands projets, cela signifie que chaque revue consomme des dizaines de milliers, voire des centaines de milliers de tokens.

La solution : code-review-graph utilise Tree-sitter pour analyser le code en AST (Abstract Syntax Tree), puis construit un graphe des fonctions, classes, imports et relations d'appels. Quand un fichier change, le graphe suit tous les appelants, dépendances et tests affectés, et calcule le « rayon d'explosion » — l'IA n'a besoin de lire que ces fichiers pertinents, pas tout le code source.

Données réelles : - Réduction médiane de tokens : 82 fois (testé sur 6 projets open source) - Meilleur cas : projet FastAPI réduit de 528 fois (950 000 tokens → 2 169 tokens) - Mise à jour incrémentale : projet de 2 900 fichiers réindexé en 2 secondes

Installation et configuration

Prérequis

• Python 3.10+
• Un dépôt Git ou SVN
• Installation recommandée de uv (gestionnaire de paquets plus rapide)

Installation en une commande

# Installer code-review-graph
pip install code-review-graph
# ou avec pipx
pipx install code-review-graph

# Détection et configuration automatiques de tous les outils d'encodage IA compatibles
code-review-graph install

# Construire le graphe de code (environ 10 secondes pour 500 fichiers la première fois)
code-review-graph build

La commande install détecte automatiquement les outils d'encodage IA installés (Claude Code, Cursor, Copilot, Gemini CLI, Codex, Kiro, etc.), écrit la configuration MCP correcte pour chacun, installe les hooks/skills natifs de la plateforme, et injecte les instructions de perception du graphe.

Configuration par plateforme

Si vous ne voulez configurer qu'un outil spécifique :

# Configurer uniquement Claude Code
code-review-graph install --platform claude-code

# Configurer uniquement Cursor
code-review-graph install --platform cursor

# Configurer uniquement GitHub Copilot
code-review-graph install --platform copilot

# Configurer uniquement Gemini CLI
code-review-graph install --platform gemini-cli

Une fois l'installation terminée, redémarrez votre éditeur ou votre outil IA.

Prise en main rapide

Étape 1 : construire le graphe

Exécutez cette commande à la racine de votre projet :

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

La première construction analyse tous les fichiers de code, extrait les fonctions, classes, imports et relations d'appels, puis les stocke dans une base de données graphe. Environ 10 secondes pour un projet de 500 fichiers.

Étape 2 : utiliser l'outil IA

Ouvrez votre outil d'encodage IA (Claude Code, Cursor, etc.) et posez directement votre question :

Build the code review graph for this project

L'IA interrogera le graphe via le protocole MCP pour obtenir le contexte de code précis.

Étape 3 : revue de code

Lorsque vous effectuez une revue de PR, l'outil IA va automatiquement : 1. Détecter les fichiers modifiés 2. Interroger le graphe pour trouver tous les appelants, dépendances et tests affectés 3. Ne lire que ces fichiers pertinents (au lieu de tout le code source) 4. Générer des commentaires de revue précis

Exemple concret : Vous modifiez la fonction validate_token() dans auth.py. Le graphe va tracer : - Tous les fichiers qui appellent validate_token() - Les classes héritant de la classe de base concernée - Les fichiers de tests associés - Les autres modules dépendant de ces fichiers

L'IA n'a besoin de lire que ces fichiers (généralement 10 à 20), pas l'intégralité du code source (qui peut compter des milliers de fichiers).

Fonctionnalités avancées

Principes d'intégration MCP

code-review-graph communique avec les outils IA via MCP (Model Context Protocol). MCP est un protocole ouvert qui permet aux modèles IA d'accéder à des outils et des sources de données externes.

Flux de travail : 1. L'outil IA reçoit une demande de revue de code 2. Il appelle les outils de code-review-graph via MCP 3. code-review-graph interroge le graphe et retourne l'ensemble minimal de fichiers 4. L'IA ne lit que ces fichiers et génère ses commentaires

Outils MCP pris en charge (30+) : - get_review_context : obtenir le contexte de revue - get_blast_radius : obtenir le périmètre d'impact des modifications - get_callers : obtenir les appelants d'une fonction - get_dependencies : obtenir les dépendances d'un fichier - get_test_coverage : obtenir la couverture des tests - ...

Intégration GitHub Action

code-review-graph propose une GitHub Action officielle qui génère automatiquement des commentaires de revue de code sur les PR.

# .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 }}

Fonctionnalités : - Chaque PR génère automatiquement un commentaire épinglé (sticky comment) - Inclut un score de risque par fonction, les flux d'exécution affectés et les lacunes de tests - Le commentaire est mis à jour automatiquement à chaque push - Option fail-on-risk disponible pour utiliser la revue comme porte de fusion

Priorité locale : le graphe de connaissances est entièrement construit et interrogé sur le CI runner, le code source n'est envoyé à aucun service externe.

Mise à jour incrémentale et mode Watch

Quand les hooks ou le mode watch sont activés, la sauvegarde de fichiers et les hooks de commit déclenchent une mise à jour incrémentale :

# Activer le mode watch (mise à jour automatique à la sauvegarde)
code-review-graph watch

# Activer le hook pre-commit
code-review-graph install --hooks

Processus de mise à jour incrémentale : 1. Détection des fichiers modifiés 2. Vérification par hash SHA-256 pour identifier les dépendances affectées 3. Réanalyse uniquement des fichiers modifiés 4. Mise à jour de la base de données graphe

Mise à jour incrémentale de moins de 2 secondes pour un projet de 2 900 fichiers.

Prise en charge des langages personnalisés

code-review-graph prend en charge plus de 40 langages de programmation (Python, JavaScript/TypeScript, Go, Rust, Java, C/C++, C#, Ruby, Kotlin, Swift, etc.).

Si votre projet utilise un langage non pris en charge, vous pouvez le personnaliser dans .code-review-graph/languages.toml :

[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"]

Les analyseurs Tree-sitter gèrent automatiquement l'extraction, sans modification du code. Voir docs/CUSTOM_LANGUAGES.md pour plus de détails.

Désinstallation

# Prévisualiser les opérations de désinstallation
code-review-graph uninstall --dry-run

# Confirmer et désinstaller
code-review-graph uninstall

# Ignorer la confirmation
code-review-graph uninstall --yes

# Nettoyer tous les dépôts
code-review-graph uninstall --all-repos

# Conserver la base de données du graphe
code-review-graph uninstall --keep-data

La désinstallation ne supprime que les fichiers et configurations liés à code-review-graph, sans affecter les autres serveurs MCP ou outils.

Données de performance

code-review-graph a été benchmarké sur 6 projets open source réels (13 commits) :

Médiane : réduction de 82 fois

Note : Le facteur 528x est le meilleur cas (FastAPI, le plus grand code source), pas le résultat typique. La réduction réelle dépend de la taille du projet et du type de requête.

Base de comparaison : le « code source complet » ci-dessus est un plafond théorique. En pratique, les outils IA font des recherches grep sur les identifiants et ne lisent que les fichiers les plus pertinents. L'avantage de code-review-graph : - Suivi précis des dépendances (pas seulement une correspondance textuelle) - Inclut les chaînes d'appels, l'héritage et la couverture des tests - Mise à jour incrémentale, évite la réanalyse répétée

Cas d'utilisation

Recommandé pour

• Grands codes sources : projets de plus de 1 000 fichiers, où le gaspillage de tokens est le plus important
• Revues de code fréquentes : équipes avec plusieurs PR par jour
• Monorepos : projets ultra-larges de 27 700+ fichiers
• Intégration CI/CD : portes de revue de code automatisées
• Projets multilingues : plus de 40 langages pris en charge

Moins adapté pour

• Petits projets : moins de 100 fichiers, la consommation de tokens est déjà faible
• Projets purement front-end : si les dépendances sont simples, le gain est limité
• Projets non Git/SVN : actuellement, seuls Git et SVN sont pris en charge

Résumé

code-review-graph résout un problème central des outils d'encodage IA : le gaspillage de tokens. En construisant un graphe de structure de code, les outils IA peuvent obtenir un contexte précis au lieu de relire l'intégralité du code source.

Avantages clés : - ✅ Économies de tokens : réduction médiane de 82 fois, baisse des coûts API - ✅ Revues précises : suivi des dépendances, aucun périmètre d'impact manqué - ✅ Priorité locale : le code ne quitte pas votre machine, sécurité et conformité - ✅ Mise à jour incrémentale : réindexation des grands projets en moins de 2 secondes - ✅ Intégration étendue : compatible avec Claude Code, Cursor, Copilot, Gemini CLI, etc. - ✅ GitHub Action : revue de PR automatisée

Prochaines étapes : 1. Installez code-review-graph sur votre projet 2. Construisez le graphe et constatez les économies de tokens 3. Intégrez-le dans votre CI/CD pour automatiser les revues de code 4. Consultez la documentation officielle pour les fonctionnalités avancées

Liens du projet : - GitHub : tirth8205/code-review-graph - Site officiel : code-review-graph.com - Discord : Rejoindre la communauté

Lectures complémentaires : - Guide de programmation IA avec Claude Code et DeepSeek V4 en terminal - Comparatif de terminaux 2026 : Ghostty vs Tabby vs Alacritty vs Kitty - OpenCode : guide complet de l'agent d'encodage IA en terminal open source