code-review-graph: それは何であり、どのような問題を解決し、なぜ注目を集めているのか

解決する問題

AIコーディングアシスタントは、レビュー作業中にコードベースの大部分を再読み込みすることで、トークンを浪費し、精度を低下させることがよくあります。code-review-graphは、AIツールにコードの正確な構造マップを提供することで、このトークンの浪費を削減し、アシスタントが特定の変更に実際に関連するファイルと関数のみを読み取るようにします。

仕組み

このツールはTree-sitterを使用してリポジトリを解析して抽象構文木（AST）を作成し、それをノード（関数、クラス、インポート）とエッジ（呼び出し、継承、テストカバレッジ）のグラフとしてSQLiteデータベースに保存します。

主なメカニズムには以下が含まれます：

• Blast-radius analysis: ファイルが変更されると、グラフはその変更によって影響を受けるすべての呼び出し元、依存関係、およびテストを追跡し、AIのための「最小限のレビューセット」を作成します。
• Incremental updates: システムは変更されたファイルをdiffし、必要な部分のみを再解析するため、大規模なプロジェクトでも2秒未満で再インデックスが可能です。
• MCP Integration: Model Context Protocol (MCP)を使用してこのグラフデータをAIアシスタント（Cursor、Claude Code、またはZedなど）に提供し、コーパス全体をスキャンする代わりにグラフをクエリできるようにします。
• CI Integration: GitHub Actionを使用してCIランナー上でグラフを構築し、リスクスコア付きのPRレビューを投稿したり、外部サービスにソースコードを送信することなくテストのギャップを特定したりできます。

対象ユーザー

• Developers who use AI coding tools and want to reduce token costs and improve review accuracy.
• Maintainers of large monorepos where full-context windows are insufficient or too expensive.
• DevOps/CI engineers looking to automate risk-scored pull request reviews.

Highlights

• Massive Token Reduction: ベンチマークでは、質問ごとのトークン削減率の中央値が約82倍であることが示されています。
• Broad Language Support: Python、JS/TS、Go、Rust、Java、C++、さらにはJupyter/Databricks notebooksまで、幅広い言語をサポートしています。
• Extensible: プロジェクトをフォークすることなく、シンプルな .toml 設定を通じて新しい言語を追加できます。
• Local-First: ナレッジグラフはSQLiteにローカルで保存されるため、プライバシーとセキュリティが確保されます。
• Advanced Analysis: コミュニティ検出（Leiden algorithm）、ハブ/ブリッジ検出、および実行フローの追跡が含まれます。