code-review-graph：本地知识图谱优化 AI 代码分析

在使用 Claude、Cursor 等 AI 编码工具分析大型项目时，开发者常面临两个挑战：一是需要向 AI 提供整个代码库的上下文，导致 Token 消耗巨大、成本高昂；二是 AI 可能因上下文不全而产生“幻觉”，给出不准确的代码建议。传统方法难以精准限定分析范围，使得处理 monorepo 或复杂依赖项目时效率低下。

核心内容

code-review-graph 的核心思路是将代码库转换为一个本地的知识图谱。该图谱通过 Tree-sitter 解析器，自动映射代码中的函数调用、类继承、模块依赖等关系，覆盖 Python、JavaScript、Go、Rust、Java 等 19 种编程语言及 Jupyter 笔记本。

其关键技术“爆炸半径分析”能够智能识别代码变更所影响的具体文件范围。当 AI 工具需要分析某次修改时，code-review-graph 仅提供与这些受影响文件相关的图谱子集作为上下文，而非整个代码库。据称，这种方法平均可减少 8.2 倍的 Token 使用量，最高可达 49 倍。

工具支持近乎实时的增量更新。通过集成文件系统监控钩子或 Git 钩子，当代码发生改动或提交后，相关的知识图谱部分可在 2 秒内完成重建，确保上下文信息的时效性。此外，它还提供了语义搜索、社区聚类、变更风险评分等辅助分析功能，并能生成交互式的架构图与项目 Wiki。

在集成方面，code-review-graph 通过 MCP 协议与 Claude Code、Cursor 等主流 AI 编码工具连接，并预设了代码审查、影响分析等五大工作流模板，方便开发者快速接入现有流程。安装方式为通过 pip 安装，并在项目目录下执行安装命令进行配置，所有数据处理均在本地完成。