Code Review Graph：Local-first 代码智能图谱——用 Tree-sitter AST 构建代码结构图，编码助手只读该读的代码 ｜SSP Github Daily

100 期

每日开源 · 100 期特别篇

2026-07-19 · 早间篇

◉

Code Review Graph

by tirth8205 · 伦敦

Local-first 代码智能图谱——用 Tree-sitter AST 构建代码结构图，通过 MCP 协议让 AI 编码助手只读该读的代码，中位数82 倍Token 缩减，30 个 MCP 工具覆盖审查、影响分析、架构发现全流程。

20.2k**+355**

Stars

82x

Token 缩减

30

MCP 工具

24+

编程语言

MIT 开源

MCP 协议

Tree-sitter AST

Local-first

15+ AI 平台

🎉 第 100 期里程碑

从 2026 年 4 月 22 日第 001 期（RuView）到今天的第 100 期，「每日开源」已连续运行 89 天。100 个项目、100 篇深度文章、从 WiFi 穿墙姿态估计到 AI 代码审查图谱。感谢持续关注。

100

期数

89

天

100+

开源项目

15+

覆盖领域

🔥 为什么值得关注

AI 编码工具（Claude Code、Cursor、Copilot）有一个根深蒂固的问题：每次执行任务时，它们要么全文读取代码库浪费海量 token，要么随机 grep导致遗漏关键上下文。一个 3,000 文件的 Next.js 项目，完整源码可能需要 95 万 tokens——远超任何上下文窗口。

Code Review Graph 的解法：用 Tree-sitter AST 将代码库解析为有向属性图（函数、类、导入、测试、调用关系），存入本地 SQLite。AI 审查代码时，通过图查询精准获取"这个函数被谁调用、影响哪些测试、依赖什么模块"——平均只需 2,000-3,500 tokens，中位数 82 倍缩减。

这个项目精准命中了 2026 年 AI 编程工具的核心矛盾：模型能力越来越强，但上下文利用效率没有同步提升。与其等更大的上下文窗口，不如让 AI 更聪明地选择读什么。

🎯 它解决什么问题

问题 1：AI Code Review 读太多
审查一个 PR 改动了 3 个文件，但 AI 可能读取 50+ 个不相关文件来"理解上下文"。Code Review Graph 通过 BFS 影响分析，只返回变更节点的直接调用者和依赖者。

问题 2：Token 成本高昂
Claude Code 处理一个大型 monorepo 的单次任务可能消耗 50 万+ tokens。82 倍缩减意味着从 50 万降至约 6,000——成本从几美元降到几美分。

问题 3：AI 编码工具的"健忘症"
每次任务从零开始理解代码库。Code Review Graph 的 SQLite 图是持久化的，增量更新（基于 SHA-256 哈希，2,900 文件 < 2 秒），AI 的"记忆"跨会话保留。

问题 4：代码架构不可见
AI 不知道项目的模块边界和依赖关系。Code Review Graph 用 Leiden 社区检测自动发现架构模块，用 hub/bridge 节点分析识别关键枢纽。

📊 基准测试数据

在 6 个真实开源仓库、13 个 commit 上的测试结果：

图查询稳定返回2,000-3,500 tokens的定向结果，几乎不受项目规模影响。Next.js 日常编码任务中峰值缩减达49 倍。

审查质量方面，使用图谱上下文 vs 完整源码的评分对比为8.8 vs 7.2（10 分制）——读得更少，审查得更好，因为噪声更少。

⭐ 核心亮点

• 🕸️

  有向属性图 + SQLite WAL
  节点代表函数/类/导入/测试，边代表 CALLS/IMPORTS/INHERITS/TESTED_BY/DEPENDS_ON 等关系。单文件.code-review-graph/graph.db存储，WAL 模式支持并发读取。

• ⚡

  增量更新 < 2 秒
  基于 SHA-256 哈希检测变更文件，仅重新解析受影响部分。2,900 文件的大型项目增量更新不到 2 秒，不需要重建整个图谱。

• 🔌

  30 个 MCP 工具 + 5 个 Prompt 模板
  覆盖审查上下文、影响分析（BFS）、图查询（callers_of/callees_of/tests_for）、语义搜索、架构发现、社区检测、重构预览、死代码检测、知识缺口分析。

• 🌐

  15+ AI 平台自动适配
  Claude Code、Cursor、Codex、Windsurf、Zed、Continue、OpenCode、Gemini CLI、Qwen、GitHub Copilot 等，安装时自动检测并配置。

• 🔍

  FTS5 + 向量混合搜索
  关键词搜索 + 语义向量搜索复合查询，准确率从 0.545 提升到 0.909。支持本地 sentence-transformers 或 Google Gemini 嵌入。

• 🏛️

  Leiden 社区检测
  自动发现代码库的架构模块边界，识别 hub 节点（被大量依赖的核心模块）和 bridge 节点（跨模块连接器），生成架构概览。

• 🐙

  GitHub Action 集成
  PR 提交时自动在 CI runner 本地构建图谱、发布风险评分审查评论。源码不发送到任何外部服务，满足企业安全要求。

• 📊

  实时 Token 节约面板
  v2.3.5+ 提供终端 UI，实时显示"本应消耗 X tokens / 实际使用 Y tokens / 节省 Z%"，可与 OpenAI tiktoken 交叉验证。

⚙️ 工作原理

1. 图谱构建

Tree-sitter 解析源文件为 AST，提取函数、类、导入、测试等实体及它们之间的关系（调用、继承、依赖等），写入 SQLite 图数据库。支持 24+ 编程语言，可通过 YAML 配置自定义语言解析规则。

2. 增量更新

通过watchdog监听文件变更或 Git diff 检测 SHA-256 哈希变化。仅重新解析变更文件及其邻域节点，保持图谱始终最新。

3. 图查询与上下文生成

当 AI 需要审查某个变更时，通过 BFS 从变更节点出发，遍历 CALLS 和 TESTED_BY 边，收集所有受影响的调用者和测试。将结果格式化为紧凑的文本上下文（约 2K-3.5K tokens），替代完整源文件。

4. MCP 暴露

通过 FastMCP 框架注册 30 个工具，以 stdio 或 Streamable HTTP 传输。AI 编码助手通过标准 MCP 协议调用，无需任何额外集成代码。

🚀 安装与使用

# 安装 pip install code-review-graph code-review-graph install # 在项目目录构建图谱 cd your-project code-review-graph build # Claude Code 自动配置（检测到后自动启用）# 也支持 Cursor / Codex / Windsurf / Gemini CLI 等

MCP 服务器配置

{ “mcpServers”: { “code-review-graph”: { “command”: “uvx”, “args”: [“code-review-graph”, “serve”] } } }

GitHub Action（PR 自动审查）

- uses: tirth8205/code-review-graph@v2.3.7 with: github-token: ${{ secrets.GITHUB_TOKEN }}

📋 适用场景

PR 代码审查AI 审查 PR 时精准获取影响范围，不读无关代码

Monorepo 导航大型多模块项目中快速定位依赖关系和架构边界

架构发现Leiden 社区检测自动生成模块关系图

重构辅助重命名预览、死代码检测、影响半径分析

Token 成本优化将 AI 编码的 token 消耗降低一个数量级

调试辅助从 Bug 位置反溯调用链和测试覆盖

🔍 竞品对比

三者定位不同：Graphify 侧重跨模态知识管理，codebase-memory-mcp 追求极致性能（158 种语言），Code Review Graph 侧重审查场景的完整工作流（影响分析 + 风险评分 + GitHub Action）。

👤 创始人背景

Tirth Kanani（@tirth8205），英国伯明翰大学 MSc（毕业成绩第一名 Distinction），研究方向为 HCI & AI Lab。硕士论文GraphMinds研究知识图谱如何让 LLM 系统更透明、可控制——正是 code-review-graph 的学术基础。

常驻伦敦，关注领域包括智能体系统、知识图谱、AI 安全与对齐、上下文高效检索。项目获得 Hacker News 关注，有日本和中国社区的技术解读文章。

✅ 优势与风险

优势

• 82 倍 token 缩减，有扎实的基准数据

• 30 个 MCP 工具，覆盖完整审查工作流

• Local-first，无云端依赖，企业友好

• 增量更新极快（<2 秒），不阻塞开发

• 15+ AI 平台自动适配

• GitHub Action 一键集成 CI

• 开源活跃（493 commits，v2.3.7）

风险

• Python 3.10+ 要求，非 Python 用户需额外安装

• 图谱构建是离线的，不能替代实时代码搜索

• 架构检测（Leiden）需可选依赖 igraph

• 向量搜索需额外安装嵌入模型

• F1 = 0.71 的影响分析精度仍有提升空间

• 单人维护，82 个开放 issue

📝 总结

Code Review Graph 是 **“AI 编码工具的持久化结构记忆”**这一新兴品类的标杆项目。它不试图让 AI 更聪明，而是让 AI读得更精准——通过代码图谱将 95 万 tokens 的上下文压缩到 2,000-3,500 tokens，同时提升审查质量。

在百期特别篇选择这个项目，也因为它代表了一个重要的行业趋势：AI 编码工具的竞争正在从"谁的模型更强"转向**“谁的上下文利用更高效”**。本地优先、图谱索引、增量更新、MCP 协议——这些技术组合正在成为 AI 编码基础设施的新标准。

如果你在用 Claude Code、Cursor 或 Copilot 处理大型代码库，Code Review Graph 值得一试。安装只需两行命令，之后的每一次 AI 交互都会更精准、更便宜。

查看 GitHub 仓库

📚 信息来源

1. GitHub 官方仓库：tirth8205/code-review-graph（Stars/License/架构/版本）

2. GitHub Trending 榜单（2026-07-19），今日 +355 Stars

3. Hacker News 原帖及作者回复：tirthkanani on HN

4. dev.to 三工具对比：Code Review Graph vs Graphify vs codebase-memory-mcp

5. developersdigest.tech：Coding Agents Need Codebase Maps

6. mohammadkhan.dev 实践文章：I’m Wiring Graph Memory Into Code Review

7. 掘金中文文章：code-review-graph 介绍与 GitHub Action 集成

8. AI Heartland 日文介绍

9. Tirth Kanani 个人网站：tirthkanani.com

10. Greptile 基准测试：greptile.com/benchmarks

每日开源 · 第 100 期 · 2026-07-19 · 百期里程碑

001–100 期完整索引见 index.md · 本文内容基于公开信息整理，仅供技术交流参考