code-review-graph 爆火：把整个代码库建成知识图谱喂给 AI，Token 减少 82 倍，代码完全不出本地

code-review-graph 爆火：把整个代码库建成知识图谱喂给 AI，Token 减少 82 倍，代码完全不出本地

最近有个项目在 GitHub 上突然就火了。
一周涨了 4791 个 Star，而且还在以每天上千的速度增长。

它就是 code-review-graph。

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

这个项目到底做了什么？
简单说就是一句话：
它把你的整个代码库，提前解析成一张持久化的知识图谱，然后当 AI 需要上下文的时候，它只把真正相关的那部分给 AI。

听起来好像也没什么了不起的？
那是因为你还没有意识到今天用 AI 写大项目到底有多痛。

这可能是目前为止，解决大项目 AI 编程上下文问题的最好的方案。

先搞清楚：今天 AI 写大项目的痛点到底有多痛？

现在所有的 AI 编程工具，不管是 Cursor 还是 Claude Code，处理大项目的时候，都有一个致命的问题：
它们太笨了。

你让它改一个函数，它会把整个文件都读一遍。
你让它加一个功能，它会把十几个相关的文件都读一遍。
你让它做一个跨模块的重构，它可能会把半个仓库都读一遍。

结果是什么？
- Token 贵得要死：随便一个操作就是几万、几十万 Token。大一点的项目，一天光 Token 钱就几百块。
- 慢：读几十万个 Token 就要几十秒，你坐在那里等，等 AI 把代码读完黄花菜都凉了。
- 容易被干扰：读了一大堆不相关的代码进去，反而把 AI 带偏了，本来很简单的问题，它给你一个错得离谱的答案。
- 安全问题：把整个代码库的代码都传给第三方 API，很多公司根本就不允许。

项目越大，这个问题就越严重。
十万行代码的项目，AI 用起来已经很痛苦了。
百万行、千万行的项目？想都不要想。

所有人都知道这是个问题，但是所有人都没有什么好的解决方案。
直到 code-review-graph 的出现。

code-review-graph 是怎么解决这个问题的？

code-review-graph 的思路非常漂亮，非常朴素，但是非常有效。
它没有去搞什么更聪明的检索算法，也没有去搞什么更好的 RAG。
它走了一条完全不同的路：提前把整个代码库的结构和关系，都算好存起来。

整个流程是这样的：

第一步：构建知识图谱

第一次运行的时候，它会用 Tree-sitter，把你整个代码库全部解析一遍。
不是把代码当成纯文本索引，是真的去理解代码的结构和关系：
- 有哪些函数，哪些类，哪些接口
- 谁调用了谁
- 谁导入了谁
- 谁继承了谁
- 哪个测试覆盖了哪个函数
- 哪个文件和哪个文件经常一起被修改

所有这些关系，它都会提前算好，存成一张持久化的知识图谱。

这件事，你只需要做一次。

第二步：增量更新

之后，你每次改代码，它不会重新解析整个仓库。
它只会解析那些变更了的文件，增量更新这张图。
通常只需要不到 2 秒钟，你甚至都感觉不到它在运行。

第三步：精准检索

当 AI 需要上下文的时候，它不会傻傻地去把所有相关文件都读一遍。
它会去问这张图：
- 我要改的这个函数，会影响到哪些其他的函数？
- 有哪些地方调用了它？
- 它调用了哪些别的函数？
- 相关的测试在哪里？
- 最近还有哪些地方改了类似的代码？

然后它只把这真正相关的一小部分，拿出来给 AI。

就这么简单。

效果有多夸张？82 倍 Token 减少

官方给出的测试数据是：
平均减少 82 倍的上下文 Token 消耗。

什么概念？
以前你做一个代码变更，AI 需要读 82000 个 Token 才能搞清楚上下文。
现在只需要 1000 个。

这带来的好处是全方位的：
- 成本直接降到原来的 1.2%：以前一天花 100 块 Token 钱，现在只需要 1 块 2。
- 速度快了一个数量级：以前等 30 秒，现在等 3 秒。
- 答案质量大幅提升：没有无关的代码干扰 AI，犯错的概率大大降低。
- 大项目终于能用 AI 了：以前百万行项目根本不敢想，现在用起来和小项目一样流畅。

而且最关键的一点：
这一切都发生在你的本地。你的代码一行都不会上传到任何地方。

图谱存在你本地，检索在你本地做，最后给 AI 的那一小段上下文也是在你本地抽出来的。
你甚至可以在完全断网的环境里用它。

对于对代码安全有要求的公司来说，这一点就是杀手级的。

几个真正好用的杀手级功能

除了核心的精准上下文供给之外，这个项目还做了几个非常非常实用的功能，每一个都精准命中了开发的痛点。

1. Blast Radius 分析（影响范围分析）

你改了一行代码，它会自动帮你算出来，这行代码的改动，会影响到整个代码库里的哪些地方。
影响路径是什么，调用链是什么，有多少个函数会受到影响，有多少个测试可能会挂。

这个功能对于大项目来说，简直是救命的。
很多时候，你觉得你只是改了一行无关紧要的代码，结果上线之后炸了八个地方。
以后这种事情会越来越少。

2. PR 风险评分

它可以自动给每个 Pull Request 打一个风险分。
0-100 分，分数越高越危险。
它会告诉你：
- 这个 PR 改了哪些核心模块
- 影响了多少个调用方
- 有没有相应的测试覆盖
- 历史上类似的改动出过多少 bug
- 哪些地方需要重点 review

而且它可以集成 GitHub Action，自动把风险评分和分析作为评论发到 PR 下面。
不需要任何人人工介入，完全自动化。

很多团队用了之后都说，光这一个功能，就值回票价了。

3. 执行流检测

你给它一个入口函数，它可以沿着调用图，把整个完整的执行流给你画出来。
从入口到最底层的 IO，中间经过了多少层，每一层做了什么。

这个功能对于理解陌生的代码库，对于排查复杂的 bug，对于做大型重构，帮助真的太大了。
比你自己一个个函数跳进去看，效率高 10 倍都不止。

4. 代码社区划分

它可以自动把你的整个代码库，划分成几个不同的"社区"。
哪些文件经常一起被修改，哪些模块是强耦合的，哪些地方看起来就像是一团乱麻。

很多时候，你在一个团队里待了好几年，都不一定能搞清楚整个代码库的模块关系。
它几秒钟就能给你画得清清楚楚。

MCP 集成：一次构建，所有 AI 工具都能用

这个项目最聪明的一点，就是它没有自己再做一个 AI 编程工具。
它做的是：通过 MCP 协议，把能力开放给所有的 AI 编程工具。

现在已经支持：
- ✅ Claude Code
- ✅ Cursor
- ✅ OpenAI Codex
- ✅ 所有支持 MCP 协议的工具

你只需要装一次 code-review-graph，配置好 MCP。
然后不管你用哪个 AI 写代码，它都会自动在后台给你提供精准的上下文。
你甚至都感觉不到它的存在。

它就像是你电脑上的一个显卡。
所有的应用程序都可以用它来加速，不需要每个应用自己再做一遍。

这才是正确的架构。

现在还有什么问题？

当然，现在这个项目还非常新，还有很多可以改进的地方。

问题 1：复杂语言的支持还不够完善

对于 C++、Rust 这种有非常复杂类型系统的语言，现在的图谱构建质量还有提升空间。
很多复杂的模板、宏、泛型，现在还不能很好地处理。

不过好消息是，它是基于 Tree-sitter 的，只要 Tree-sitter 的语法更完善了，它自然就会变得更好。

问题 2：跨语言分析还比较弱

现在的分析，基本上还是在单一语言内部的。
如果你的项目是前端 JS + 后端 Go + 中间件 Python 这种多语言组合，现在跨语言的调用关系还分析不出来。

不过这也是他们 roadmap 上优先级非常高的一个功能。

问题 3：UI 还比较简陋

现在基本上还是一个命令行工具，可视化的 UI 还比较原始。
很多分析结果，就是输出一个文本列表，看起来不够直观。

不过相信这个问题很快就会解决。

这件事真正的意义是什么？

code-review-graph 这个项目，我觉得它的意义远不止是一个好用的工具这么简单。
它代表了 AI 编程发展的一个非常重要的方向。

AI 编程的第一个阶段：拼模型

大家比的是谁的模型更聪明，谁写代码写得更好。
这个阶段已经基本结束了，现在所有主流模型的代码能力都已经到了够用的水平。

AI 编程的第二个阶段：拼上下文

大家比的是谁能给 AI 更好、更精准、更相关的上下文。
同样一个模型，上下文给得好，效果可能会差好几倍。
现在我们就处在这个阶段。

code-review-graph 就是这个阶段的代表性产品。
它不做模型，它不做推理，它就专心把上下文这件事做到极致。

AI 编程的第三个阶段：拼对代码的深度理解

再往下走，就是对代码的深度理解，对软件架构的理解，对设计模式的理解。
而 code-review-graph 做的知识图谱，正是所有这些高级功能的基础。

所以你看，这个项目看起来只是解决了一个小问题。
但是它实际上是在为整个下一代的 AI 编程工具，打地基。

给所有开发者的建议

最后，给所有每天用 AI 写代码的开发者几个非常实在的建议：

  1. 现在就去试试
    如果你每天用 Cursor 或者 Claude Code 写代码，现在就去把这个工具装上，试用一天。
    我可以保证，用了之后你就回不去了。那种速度和质量的提升，是立竿见影的。

  2. 不要自己再做一遍了
    很多公司、很多团队，都在内部做类似的东西。不要做了。
    这个项目做得已经非常好了，而且是完全开源的。
    有那个时间，还不如基于它做一些自己内部的定制化功能。

  3. 关注 MCP 生态的发展
    MCP 协议出来才几个月，但是已经出现了像 code-review-graph 这样的杀手级应用。
    以后还会有更多。这会是未来一两年 AI 工具领域最重要的生态。

  4. 把你的工具链提前准备好
    不要等所有人都用上了，你才开始研究。
    现在就开始体验，开始研究，开始定制。
    这些工具带来的生产力差距，是真实存在的，而且会越来越大。

写在最后

code-review-graph 这个项目，我之所以这么看好，是因为它走了一条非常难，但是非常正确的路。

大多数 AI 工具，都在做"向上"的事情：
做更酷炫的界面，做更自然的交互，做更聪明的提示词，做更多的自动化操作。

而 code-review-graph 选择了做"向下"的事情：
沉下去，真正地去理解代码，理解结构，理解关系。
把最底层的基础设施做扎实，做牢靠。

这条路很难，很慢，看起来也不够酷炫。
但是只要你把它做好了，上面所有的东西，都会自然而然地好起来。

这才是做基础设施应该有的样子。

非常期待这个项目未来的发展。
也非常推荐所有用 AI 写代码的开发者，都去试一试。

作者: itech001
来源: 公众号：AI人工智能时代
网站: https://www.theaiera.cn/
每日分享最前沿的AI新闻资讯和技术研究。

本文首发于 AI人工智能时代，转载请注明出处。

posted @ 2026-07-24 09:12  iTech  阅读(10)  评论(0)    收藏  举报