repowise-dev/repowise

Codebase intelligence for AI and humans: code health scores, auto-generated docs, git analytics, dead code detection, and architectural decisions via MCP.

Repowise – 증거 기반의 코드베이스 인텔리전스

무엇인가요 – Repowise는 로컬에서 지속적으로 업데이트되는 저장소의 인덱스를 구축하는 Python 기반 도구입니다. 이 인덱스는 언어에 구애받지 않는 콜그래프, Git 이력, 테스트 커버리지 정보, 문서, 기록된 아키텍처 결정을 통합합니다. 이 단일 진실 소스에서 개발자나 AI 기반 코딩 에이전트가 일반적으로 grep, 코드 읽기, 또는 비용이 큰 모델 프롬프트를 실행하여 발견해야 하는 질문에 대해 결정론적 (LLM 호출 없음) 답변을 제공합니다.

왜 중요한가요 – 현대의 AI 코딩 보조 도구는 매 요청마다 코드베이스의 구조를 "재발견"하는 데 많은 시간을 소비하여 토큰 사용량이 증가하고 에이전트 속도가 느려지며, 문맥을 놓칠 수 있습니다. Repowise는 한 번의 무거운 작업을 수행한 후, 출처가 명확한, 그래프 기반 결과를 훨씬 적은 도구 호출과 극적으로 작아진 페이로드로 제공합니다 (예: 일반적인 커밋 컨텍스트의 경우 13,984 토큰 대비 393 토큰). 이 프로젝트는 구체적이고 실행 가능한 리팩터링 제안과 각 파일에 대한 헬스 스코어도 로컬에서 계산하고 오픈소스로 제공합니다.

핵심 기능

영역	Repowise가 제공하는 내용
코드 그래프	25개 언어의 AST 파싱된 의존성, 신뢰도 스탬프된 콜 해상도, 커뮤니티 탐지, 중심성 메트릭스, 실행 흐름 추적.
Git 신호	핫스팟 탐지, 소유자, 공변화 통계, 버스 팩터, 버그 수정 이력 – 모두 저장소의 자체 커밋 로그에서 유도됨.
문서화 위키	모든 모듈/파일에 대한 자동 생성, 인크리멘탈 위키 페이지; 선택적으로 LLM이 작성한 글을 페이지별로 추가 가능.
아키텍처 결정	다섯 가지 소스(예: 커밋 메시지, 코드 주석)에서 결정론적으로 추출 + 수동 캡처; 각 결정은 증거와 연결됨.
코드 헬스 분석	49개의 결정론적 검출기(복잡도, 일관성, 중복 탐지, 테스트되지 않은 핫스팟, 변경 엔트로피 등)가 각 파일당 1–10 헬스 스코어와 구체적인 리팩터링 계획(클래스/메서드 추출, 메서드 이동, 파일 분할 등)을 생성.
테스트 인텔리전스	콜 그래프를 통해 파일에 도달하는 테스트를 찾음(커버리지 리포트가 부족할 경우의 백업) 및 차이점에 의해 실행된 최소 테스트 세트를 나열 가능.
변경 위험	그래프와 Git 신호를 사용하여 0–10 스케일로 차이점 또는 PR의 위험 점수를 매김; `may_break` 또는 `missing_tests`와 같은 실행 가능한 지시를 반환.
MCP 도구	10개의 작업 형태의 "모델-제어-프로토콜" 엔드포인트(그래프, Git, 문서, 결정, 헬스, 위험, 영향 테스트, 요약 등)를 제공; Claude Code, Codex, Cursor, VS Code 등 MCP 호환 에이전트가 호출 가능.
요약	에이전트에 도달하기 전에 노이즈가 많은 명령 출력(예: 긴 `pytest` 로그)을 압축하여 오류와 종료 코드를 유지하면서 토큰 사용량을 60–90 % 절감.
PR 봇	각 PR에 하나의 지속적으로 업데이트되는 댓글을 게시하는 GitHub 앱으로, 영향 범위, 테스트 영향, 위험 점수, 헬스 경고, 자세한 분석 페이지 링크를 포함.

일반적인 워크플로우

설치 – pip install repowise.
초기화 – 타겟 저장소 내에서 repowise init --no-prose -y 실행. 이는 코드 분석, 그래프 구축, Git 신호 추출, 위키 생성, 헬스 검출기 실행을 수행합니다.
서빙 – repowise serve를 실행하여 MCP 도구를 노출하는 로컬 HTTP 엔드포인트를 시작합니다.
연결 – 코딩 에이전트(Claude Code, Codex, Cursor 등)를 엔드포인트에 연결하거나, 내장 대시보드를 열어 헬스 스코어, 변경 위험, 리팩터링 제안을 탐색합니다.
반복 – 저장소가 변경되면 Repowise는 인덱스를 인크리멘탈하게 업데이트하여 전체 분석을 다시 실행하지 않고도 모든 답변을 최신 상태로 유지합니다.

누구에게 적합한가

사용 사례	Repowise의 도움
AI 지원 개발	에이전트는 사전 계산된, 출처가 명확한 컨텍스트(예: `auth.validate`를 호출하는 사람은 누구인가?)를 단일 호출로 받으며, 토큰 소비와 지연을 줄입니다.
안전한 풀 리퀘스트 리뷰	자동 위험 점수, 테스트 영향 목록, 영향 범위 맵이 PR 댓글에 직접 표시되어 리뷰어가 실제 파손 위험에 집중할 수 있습니다.
지속적인 코드 헬스 개선	헬스 스코어는 결함이 발생하기 쉬운 파일을 드러내며, 구체적인 리팩터링 계획은 에이전트에 공급하거나 수동으로 적용할 수 있습니다.
대규모 멀티-저장소 워크스페이스	하나의 MCP 엔드포인트가 여러 저장소를 서비스할 수 있어, 서비스 간 계약 검사 및 아키텍처 강제가 가능합니다.
기업 롤아웃	핵심 분석은 완전히 온프레미스에서 실행되며, API 키 필요 없음. AGPL-3.0 라이선스이며, 보안 제어 및 SLA 보장에 대한 옵션 상용 지원 제공.

설치 및 빠른 시작

pip install repowise               # CLI 및 라이브러리 가져오기
cd /path/to/your/repo
repowise init --no-prose -y        # 인덱스 구축 (LLM 필요 없음)
repowise serve                     # 로컬 MCP 서버 시작
# 예시 쿼리
repowise risk main..HEAD           # 현재 PR의 변경 위험 점수
repowise health --refactoring-targets  # 구체적인 수정이 필요한 저헬스 파일 목록
repowise impacted-tests main..HEAD   # 차이점에 영향을 주는 최소 테스트 세트

자세한 지침은 docs/start/QUICKSTART.md에 있습니다.

증거 및 벤치마크

에이전트 효율성 – django/django 저장소에서 43개 질문에 대한 연구에서 Repowise는 에이전트 출력을 31.6 % 감소시키고, 도구 호출 횟수를 7.2 → 3.8로 줄였습니다 (p < 0.0001).
페이로드 감소 – 일반적인 커밋 컨텍스트는 13,984 → 393 토큰으로 줄어들어 97.2 % 감소했습니다.
결함 예측 – 헬스 엔진의 49개 검출기는 실제 결함 코퍼스로 보정되었으며, 저장소 내 검증 결과에서 최저 헬스 파일 그룹에 최근 결함이 3.3배 더 많이 발견되었습니다.
그래프 정확도 – 37,853개의 오라클 엣지에서 다른 5개 도구와 비교; Repowise는 모든 7개 컴파일러 평가 셀에서 가장 높은 정밀도를 달성했습니다.
모든 벤치마크 데이터, 방법, 제한 사항은 docs/BENCHMARKS.md에 공개되어 있습니다.

라이선스 및 가용성

오픈소스 – AGPL-3.0 (GitHub에 소스, PyPI 패키지 repowise).
셀프호스팅 – 핵심 분석은 로컬에서 실행되며, 외부 API 키나 클라우드 서비스가 필요하지 않습니다.
상용 옵션 – 기업용으로 옵션형 유료 지원, 보안 확장, SLA 보장 제공.

더 알아보기

라이브 데모 – https://repowise.dev (로그인 필요 없음).
문서 – https://docs.repowise.dev
GitHub 저장소 – https://github.com/repowise-dev/repowise
PR 봇 설치 – https://github.com/apps/repowise-bot

결론 – Repowise는 AI 에이전트와 개발자가 즉시 질의할 수 있는 결정론적 지식 기반으로 저장소를 전환하여, 토큰 비용을 줄이고, 안전성을 높이며, 원격 LLM에 코드를 전송하지 않고도 구체적이고 실행 가능한 수정을 제공합니다.