code-review-graph Skill：让 AI 代码审查只读需要的内容，节省 65 倍 Token

总结

code-review-graph 是一个本地优先的代码知识图谱工具，通过 Tree-sitter 将代码仓库解析为结构化图谱（函数、类、导入、调用关系），再以 MCP 协议接入 Claude Code、Cursor、Codex 等主流 AI 编程工具，实现”按需读取”而非全盘扫描。该项目在 GitHub Trending 当日登榜，截至 2026-08-06 累计约 28,800 颗星、2,670 个 Fork，测评显示单次代码审查平均节省 65 倍 Token，最高可达 376 倍，是当前 AI 代码审查领域效率提升最显著的开源工具之一。

功能与原则

核心功能是用图谱替换全盘上下文：代码库 → Tree-sitter AST 解析 → 节点（函数/类/导入）和边（调用/继承/测试覆盖）组成图 → MCP Server 按查询返回最小文件集而非全部源码。设计原则是本地优先（所有图谱数据留在本地 CI/机器）、增量更新（文件变更只重解析受影响节点）、无外部依赖（不调用外部 AI 服务做解析）。支持文件变更的”爆炸半径”分析，告诉 AI 哪些文件会被本次修改影响。

认可度

• GitHub Star：约 28,806 颗（截至 2026-08-06，GitHub API 实时数据）
• Fork：2,670 个
• 历史：GitHub Trending 当日上榜，常见于 AI Coding 社群讨论
• Benchmark 数据（官方自动化评测，6 个真实开源仓库，2026-08-02 采集）：

链接

GitHub：https://github.com/tirth8205/code-review-graph

原作者

GitHub 用户 @tirth8205，无公开个人简介。项目采用 MIT 协议，713 次 commit，活跃维护中（最新 commit 2026-08-06）。

介绍

code-review-graph 解决的问题非常具体：AI 编程工具做代码审查时，会反复读取整个代码库来理解上下文，在大型项目里这是巨大的 Token 消耗。该项目用 Tree-sitter 将代码解析为 AST，再用图数据库存储节点与边的关系。AI 发起审查查询时，图谱返回”答案形状”的精准切片，而非把整个代码库喂给模型。

该项目支持 50+ 编程语言的解析，包括 Python、JavaScript/TypeScript、Go、Rust、Java、C/C++、C#、Ruby、Kotlin、Swift、PHP、Scala、Solidity、Dart、R、Perl、Lua、Objective-C、Elixir、Zig、PowerShell、Julia、Nix、Verilog/SystemVerilog、SQL、Terraform/AWX、VUE/Svelte SFCs、Astro、Jupyter Notebook 等。新增语言只需在 languages.toml 配置文件里描述 grammar 和节点类型，无需修改代码。

该项目同时提供 GitHub Action 形态，在 PR 时自动在评论区发布风险评分、影响执行流和测试缺口，且所有分析在 CI Runner 本地执行，源代码不外传。

特点

• MCP 协议集成：一键安装，自动配置 Claude Code、Cursor、Codex、Windsurf、Zed、Continue、OpenCode、Qwen、GitHub Copilot 等 15+ 平台
• 65 倍 Token 节省：中位数每问题 65 倍，fastapi 仓库最高 376 倍（208,821 tokens → 2,653 tokens）
• 增量更新：Watch 模式和 Git Hook 自动追踪文件变更，增量解析，3,000 文件项目两文件编辑约 2.5 秒完成重索引
• 爆炸半径分析：变更影响链路的精确追踪，告诉 AI 本次修改会牵连哪些文件
• 本地优先：图谱构建和查询全部在本地 CI/机器执行，不上传源代码，隐私安全

使用方法

安装步骤（需要 Python 3.10+）：

pip install code-review-graph  # 或 pipx install code-review-graph
code-review-graph install       # 自动检测并配置所有 AI 编程平台
code-review-graph build        # 解析代码库，构建图谱

接入 MCP（安装后自动完成），重启编辑器/工具后对 AI 助手说：

Build the code review graph for this project

初始构建约 10 秒完成 500 文件项目，之后增量更新自动追踪。

GitHub Action 用法（.github/workflows/code-review-graph.yml）：

on: pull_request
jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: tirth8205/code-review-graph@v2.3.6
        with:
          github-token: ${{ secrets.GITHUB_TOKEN }}

使用场景与人群

• 适用场景：中大型代码仓库的 AI 辅助审查、PR 评审、代码变更影响分析、大型单体仓库（Monorepo）的上下文压缩
• 目标用户：使用 Claude Code、Cursor、Codex、Windsurf 等 AI 编程工具的开发者；CI/CD 团队希望在 PR 阶段自动获得风险评估的 DevOps 工程师

输入与输出案例

案例 1：单文件变更的影响分析

输入（对 AI 助手）：”这个 PR 改了 auth.py 里 verify_token 函数，影响哪些文件？”

输出（图谱返回）：auth.py（改动的文件）→ 调用链向上追溯 → middleware.py（调用了 verify_token）、tests/test_auth.py（测试了该函数）、routes.py（路由层间接引用），共 4 个文件，总 Token 从全库扫描的约 50,000 降至约 780。

案例 2：回答架构问题

输入：”这个项目的认证流程是怎么走的？”

输出（图谱返回）：auth.py → middleware.py → routes.py → models/user.py，附带函数签名和导入关系，总 Token 约 2,100，而非扫描全部 5,000 多个文件。

GitHub: https://github.com/tirth8205/code-review-graph