code-review-graph: 這是什麼、解決什麼問題以及為什麼它正受到關注

它解決了什麼問題

AI 編碼助手在進行審查任務時，經常因為重新閱讀程式碼庫的大部分內容而浪費 token 並降低精確度。code-review-graph 透過為 AI 工具提供精確的結構化程式碼地圖，減少了這種 token 浪費，確保助手僅閱讀與特定變更真正相關的文件和函數。

運作方式

該工具使用 Tree-sitter 將儲存庫解析為抽象語法樹 (AST)，然後將其儲存為 SQLite 資料庫中的節點（函數、類別、匯入）和邊（呼叫、繼承、測試覆蓋率）圖形。

關鍵機制包括：

• 影響範圍分析 (Blast-radius analysis)：當文件變更時，圖形會追蹤所有受該變更影響的呼叫者、依賴項和測試，為 AI 建立一個「最小審查集」。
• 增量更新：系統會比對變更的文件並僅重新解析必要的部分，讓大型專案能在 2 秒內完成重新索引。
• MCP 整合：它使用 Model Context Protocol (MCP) 將此圖形數據提供給 AI 助手（例如 Cursor、Claude Code 或 Zed），讓它們能夠查詢圖形而非掃描整個語料庫。
• CI 整合：GitHub Action 可以在 CI 執行器上建立圖形，以發布帶有風險評分的 PR 審查，並在不將原始碼發送到外部服務的情況下識別測試缺口。

對象是誰

• 開發者：使用 AI 編碼工具並希望降低 token 成本並提高審查精確度的開發者。
• 大型單一儲存庫 (monorepos) 維護者：在全上下文窗口不足或成本過高的地方。
• DevOps/CI 工程師：尋找自動化風險評分拉取請求 (pull request) 審查的工程師。

重點摘要

• 大幅減少 Token 使用量：基準測試顯示，每個問題的 token 減少量中位數約為 82 倍。
• 廣泛的語言支持：支援多種語言，包括 Python、JS/TS、Go、Rust、Java、C++，甚至 Jupyter/Databricks notebooks。
• 可擴展性：可以透過簡單的 .toml 配置新增語言，而無需 fork 專案。
• 本地優先 (Local-First)：知識圖譜儲存在本地的 SQLite 中，確保隱私與安全性。
• 進階分析：包括社群檢測 (Leiden algorithm)、樞紐/橋樑檢測以及執行流追蹤。