AI 编码工具在每次任务中都会重新读取整个代码库。code-review-graph 解决了这个问题。它使用 Tree-sitter 构建代码的结构化映射，增量跟踪变更，并通过 MCP 为 AI 助手提供精准的上下文，使其只读取真正需要的内容。

快速开始

# 使用 Python (推荐)
pip install code-review-graph                     # 或: pipx install code-review-graph

# 使用 Node.js
npm install -g code-review-graph

code-review-graph install          # 自动检测并配置所有支持的平台
code-review-graph build            # 解析代码库

一条命令完成所有配置。install 会检测你安装了哪些 AI 编码工具，为每个工具写入正确的 MCP 配置，并将图感知指令注入平台规则。它会自动判断你是通过 uvx 还是 pip/pipx 安装的，并生成相应的配置。安装后请重启编辑器或工具。

如需指定特定平台：

code-review-graph install --platform codex       # 仅配置 Codex
code-review-graph install --platform cursor      # 仅配置 Cursor
code-review-graph install --platform claude-code  # 仅配置 Claude Code
code-review-graph install --platform kiro         # 仅配置 Kiro

需要 Python 3.10+。为获得最佳体验，建议安装 uv（如果可用，MCP 配置将使用 uvx，否则直接使用 code-review-graph 命令）。

然后打开项目，向 AI 助手发出指令：

Build the code review graph for this project

首次构建在 500 个文件的项目上大约需要 10 秒。此后，图会在每次文件编辑和 git 提交时自动更新。

工作原理

代码库通过 Tree-sitter 解析为 AST，以节点（函数、类、导入）和边（调用、继承、测试覆盖）的形式存储为图，然后在审查时查询，计算 AI 助手需要读取的最小文件集。

影响半径分析

当文件发生变更时，图会追踪所有可能受影响的调用者、依赖项和测试。这就是变更的"影响半径"。AI 只需读取这些文件，而无需扫描整个项目。

增量更新，不到 2 秒

每次 git 提交或文件保存时触发钩子。图对变更文件做差异比较，通过 SHA-256 哈希校验找到相关依赖，仅重新解析变更部分。一个 2,900 文件的项目重新索引不到 2 秒。

解决 monorepo 难题

大型 monorepo 是 token 浪费最严重的场景。图能穿透噪音——排除 27,700+ 个文件，只读取约 15 个文件。

支持 23 种语言 + Jupyter 笔记本

完整的 Tree-sitter 语法支持，涵盖每种语言的函数、类、导入、调用点、继承和测试检测。包括 Zig、PowerShell、Julia 和 Svelte SFC 支持，以及 Jupyter/Databricks 笔记本解析（.ipynb，支持 Python、R、SQL 多语言单元格）和 Perl XS 文件（.xs）。

基准测试

所有数据来自针对 6 个真实开源仓库（共 13 次提交）的自动化评估。可通过 code-review-graph eval --all 复现。完整基准测试数据请参阅英文 README。

功能一览

| 功能 | 说明 | |------|------| | 增量更新 | 仅重新解析变更文件，后续更新不到 2 秒完成 | | 23 种语言 + 笔记本 | Python, TypeScript/TSX, JavaScript, Vue, Svelte, Go, Rust, Java, Scala, C#, Ruby, Kotlin, Swift, PHP, Solidity, C/C++, Dart, R, Perl, Lua, Zig, PowerShell, Julia, Jupyter/Databricks (.ipynb) | | 影响半径分析 | 精确展示任何变更所影响的函数、类和文件 | | 自动更新钩子 | 每次文件编辑和 git 提交时自动更新图，无需手动干预 | | 语义搜索 | 可选的向量嵌入，支持 sentence-transformers、Google Gemini、MiniMax，或任何 OpenAI 兼容端点（真实 OpenAI、Azure、new-api、LiteLLM、vLLM、LocalAI） | | 交互式可视化 | D3.js 力导向图，支持搜索、社区图例切换和按度数缩放的节点 | | Hub 与 Bridge 检测 | 查找连接最多的节点和通过介数中心性发现架构瓶颈 | | 异常评分 | 检测意外耦合：跨社区、跨语言、外围到核心的边 | | 知识缺口分析 | 识别孤立节点、未测试热点、薄弱社区和结构性弱点 | | 智能提问 | 基于图分析（桥接点、枢纽、异常）自动生成审查问题 | | 边置信度 | 三级置信度评分（EXTRACTED/INFERRED/AMBIGUOUS），边上附带浮点分数 | | 图遍历 | 从任意节点进行自由 BFS/DFS 探索，可配置深度和 token 预算 | | 导出格式 | GraphML (Gephi/yEd)、Neo4j Cypher、Obsidian 知识库（含 wikilinks）、SVG 静态图 | | 图差异 | 比较不同时间的图快照：新增/删除的节点、边和社区变化 | | Token 基准测试 | 测量朴素全量 token 与图查询 token，附带逐题比率 | | 记忆循环 | 将问答结果持久化为 Markdown 以供重新摄入，使图从查询中不断成长 | | 社区自动分割 | 过大的社区（>图的 25%）通过 Leiden 算法递归分割 | | 执行流 | 从入口点追踪调用链，按加权关键度排序 | | 社区检测 | 通过 Leiden 算法聚类相关代码，大型图自动调节分辨率 | | 架构概览 | 自动生成架构图，附带耦合警告 | | 风险评分审查 | detect_changes 将差异映射到受影响的函数、执行流和测试缺口 | | 重构工具 | 重命名预览、框架感知的死代码检测、基于社区的重构建议 | | Wiki 生成 | 从社区结构自动生成 Markdown Wiki | | 多仓库注册 | 注册多个仓库，跨仓库搜索 | | MCP 提示模板 | 5 种工作流模板：审查、架构、调试、入职引导、合并前检查 | | 全文搜索 | 基于 FTS5 的混合搜索，结合关键词和向量相似度 | | 本地存储 | SQLite 文件存储在 .code-review-graph/ 中，无需外部数据库，无云依赖 | | 监听模式 | 工作时持续更新图 |

使用方式

| 命令 | 说明 | |------|------| | /code-review-graph:build-graph | 构建或重新构建代码图 | | /code-review-graph:review-delta | 审查自上次提交以来的变更 | | /code-review-graph:review-pr | 完整的 PR 审查，含影响半径分析 |

code-review-graph install          # 自动检测并配置所有平台
code-review-graph install --platform <name>  # 指定特定平台
code-review-graph build            # 解析整个代码库
code-review-graph update           # 增量更新（仅变更文件）
code-review-graph status           # 图统计信息
code-review-graph watch            # 文件变更时自动更新
code-review-graph visualize        # 生成交互式 HTML 图
code-review-graph visualize --format graphml   # 导出为 GraphML
code-review-graph visualize --format svg       # 导出为 SVG
code-review-graph visualize --format obsidian  # 导出为 Obsidian 知识库
code-review-graph visualize --format cypher    # 导出为 Neo4j Cypher
code-review-graph wiki             # 从社区结构生成 Markdown Wiki
code-review-graph detect-changes   # 风险评分的变更影响分析
code-review-graph register <path>  # 将仓库注册到多仓库注册表
code-review-graph unregister <id>  # 从注册表移除仓库
code-review-graph repos            # 列出已注册的仓库
code-review-graph eval             # 运行评估基准测试
code-review-graph serve            # 启动 MCP 服务器

图构建完成后，AI 助手会自动使用这些工具。

| 工具 | 说明 | |------|------| | build_or_update_graph_tool | 构建或增量更新图 | | get_minimal_context_tool | 超紧凑上下文（约 100 tokens）——首先调用此工具 | | get_impact_radius_tool | 变更文件的影响半径 | | get_review_context_tool | Token 优化的审查上下文，附带结构摘要 | | query_graph_tool | 查询调用者、被调用者、测试、导入、继承关系 | | traverse_graph_tool | 从任意节点进行 BFS/DFS 遍历，可设置 token 预算 | | semantic_search_nodes_tool | 按名称或语义搜索代码实体 | | embed_graph_tool | 计算向量嵌入以支持语义搜索 | | list_graph_stats_tool | 图的规模和健康状态 | | get_docs_section_tool | 获取文档章节 | | find_large_functions_tool | 查找超过行数阈值的函数/类 | | list_flows_tool | 列出按关键度排序的执行流 | | get_flow_tool | 获取单个执行流的详情 | | get_affected_flows_tool | 查找受变更文件影响的执行流 | | list_communities_tool | 列出检测到的代码社区 | | get_community_tool | 获取单个社区的详情 | | get_architecture_overview_tool | 基于社区结构的架构概览 | | detect_changes_tool | 面向代码审查的风险评分变更影响分析 | | get_hub_nodes_tool | 查找连接最多的节点（架构热点） | | get_bridge_nodes_tool | 通过介数中心性查找架构瓶颈 | | get_knowledge_gaps_tool | 识别结构性弱点和未测试热点 | | get_surprising_connections_tool | 检测意外的跨社区耦合 | | get_suggested_questions_tool | 基于分析自动生成审查问题 | | refactor_tool | 重命名预览、死代码检测、重构建议 | | apply_refactor_tool | 应用先前预览的重构 | | generate_wiki_tool | 从社区结构生成 Markdown Wiki | | get_wiki_page_tool | 获取特定 Wiki 页面 | | list_repos_tool | 列出已注册的仓库 | | cross_repo_search_tool | 跨所有注册仓库搜索 |

MCP 提示模板（5 种工作流模板）： review_changes、architecture_map、debug_issue、onboard_developer、pre_merge_check

要排除特定路径不被索引，请在仓库根目录创建 .code-review-graphignore 文件：

generated/**
*.generated.ts
vendor/**
node_modules/**

注意：在 git 仓库中，仅索引已跟踪的文件（git ls-files），因此 gitignore 中的文件会自动跳过。.code-review-graphignore 用于排除已跟踪的文件，或在没有 git 的环境中使用。

可选依赖组：

pip install code-review-graph[embeddings]          # 本地向量嵌入 (sentence-transformers)
pip install code-review-graph[google-embeddings]   # Google Gemini 嵌入
pip install code-review-graph[communities]         # 社区检测 (igraph)
pip install code-review-graph[eval]                # 评估基准测试 (matplotlib)
pip install code-review-graph[wiki]                # 使用 LLM 摘要生成 Wiki (ollama)
pip install code-review-graph[all]                 # 所有可选依赖

OpenAI 兼容嵌入（真实 OpenAI、Azure，或自建网关如 new-api / LiteLLM / vLLM / LocalAI / Ollama openai 模式）无需额外安装 —— 只需设置环境变量并在 embed_graph 中传入 provider="openai"：

export CRG_OPENAI_BASE_URL=http://127.0.0.1:3000/v1     # 或 https://api.openai.com/v1
export CRG_OPENAI_API_KEY=sk-...
export CRG_OPENAI_MODEL=text-embedding-3-small          # 取决于你网关提供的模型
# 可选：
export CRG_OPENAI_DIMENSION=1536                        # 固定维度（v3 模型支持维度缩减）
export CRG_OPENAI_BATCH_SIZE=100                        # 某些网关有更严格的批次限制时下调
                                                        # （如 Qwen text-embedding-v4 上限为 10）

当 base URL 指向 localhost（127.0.0.1、localhost、0.0.0.0、::1）时，会自动跳过云出口警告。

模型选择提示。 避免用 -preview / -beta / -exp 结尾的 model ID（例如 google/gemini-embedding-2-preview）做长期使用——preview 模型可能更换权重（维度一变就要全量 re-embed）或被无预警下架。建议改用正式 GA 模型：text-embedding-3-small / text-embedding-3-large（OpenAI）、Qwen/Qwen3-Embedding-8B（经 vLLM / LocalAI 自宿主）、或 gemini-embedding-001（经原生 Gemini provider，需要 GOOGLE_API_KEY）。

另外请注意：目前 code-review-graph 只嵌入函数签名（每节点约 10 tokens，例如 "parse_file function (path: str) returns Tree"）。那些靠长 context 理解函数 body 来拉开差距的模型（Gemini 2 或 Qwen3-8B 在 MTEB-code 的 SOTA 分数）在这个输入长度下跟小模型的品质差距会小很多。Body / docstring 嵌入已列为后续增强任务。

参与贡献

git clone https://github.com/tirth8205/code-review-graph.git
cd code-review-graph
python3 -m venv .venv && source .venv/bin/activate
pip install -e ".[dev]"
pytest

编辑 code_review_graph/parser.py，将你的文件扩展名添加到 EXTENSION_TO_LANGUAGE，并在 _CLASS_TYPES、_FUNCTION_TYPES、_IMPORT_TYPES 和 _CALL_TYPES 中添加节点类型映射。附上测试用例文件，然后提交 PR。

许可证

MIT。详见 LICENSE。