code-review-graph：讓 AI 程式碼審查只讀「關鍵程式碼」的利器

嗨，我是小華同學，專注解鎖高效工作與前沿AI工具！每日精選開源技術、實戰技巧，助你省時50%、領先他人一步。👉免費訂閱，與10萬+技術人共享升級祕笈！

在做 AI 程式碼審查時，你是否有這種感覺——每次讓它審查程式碼，它都要把整個程式碼庫讀一遍，token 燒得飛快，但真正相關的程式碼反而被淹沒了？

這不是你的錯覺。

上週我用 Claude Code 審查一個 2000+ 檔案的 Flask 專案，想讓它幫忙看看某個 API 改了哪些地方。結果 Claude 讀了整整 15 分鐘，消耗了將近 20 萬 token，最後給出一個「根據分析，建議關注以下檔案...」的回覆。

打開詳情一看——它列出了 47 個「可能相關」的檔案。

47 個。我只是想看看一個 API 改動的影響範圍，結果你給我 47 個檔案？

相信做過大型專案 AI 程式碼審查的開發者都感同身受：改一行程式碼，AI 給你回覆一整本《戰爭與和平》。不是 AI 不夠聰明，是它真的不知道你的程式碼庫裡誰呼叫誰、誰依賴誰。

主流 AI 編碼工具每次任務都會重新掃描整個程式碼庫。token 消耗巨大，效率卻很低。

今天要介紹的這個開源工具 code-review-graph，就是來解決這個問題的。它的核心理念很簡單：給 AI 建一張程式碼「地圖」，讓它只讀真正需要的內容。

實測效果：程式碼審查場景 token 消耗降低 6.8 倍，日常編碼任務最高降低 49 倍。

01 它是怎麼運作的？

code-review-graph 採用了「知識圖譜」的思路，整個流程分為四步：

第一步：Tree-sitter 解析
用 Tree-sitter 把程式碼解析成抽象語法樹（AST），識別出函式、類別、導入關係、呼叫鏈這些結構化資訊。

第二步：建構程式碼圖
把解析結果存成一張圖。節點是函式、類別、模組，邊是它們之間的關係（誰呼叫誰、誰繼承誰、誰引用誰）。

第三步：追蹤影響半徑
當有程式碼變更時，工具會計算出這份改動會影響哪些檔案、哪些函式、哪些測試——這就是「blast radius」（影響半徑）。

第四步：MCP 協定注入
透過 Model Context Protocol（MCP）把精準的上下文傳給 AI 編碼工具。AI 只需要讀這幾 KB 的關鍵資訊，而不是整個程式碼庫。

02 硬核數據會說話

光講原理不夠看，直接上實測數據。開發者在 6 個真實開源專案（13 次提交）上做了自動化評估：

Token 消耗對比

平均節省 8.2 倍的 token，意味著你的 AI 額度能用更久，或者同樣的額度能完成更多任務。

影響分析準確性

更重要的是，這套方案沒有因為「精簡」而犧牲準確性：

• ●召回率 100%：所有真正受影響的檔案都被找到了，沒有遺漏
• ●平均 F1 值 0.54：存在一定程度的過度預測（會把一些可能相關的檔案也包含進來），但這是刻意為之——寧可多讀一些，也不能漏掉關鍵改動

大型專案效果

對於大型 monorepo 專案，效果更加誇張：

在一個 27,700+ 檔案的超大儲存庫裡，code-review-graph 排除了 99.9% 的無關檔案，只讓 AI 讀取約 15 個真正相關的檔案。

03 適合哪些場景？

場景一：程式碼審查
當你要審查一個 PR 或者檢查某個改動的影響範圍時，code-review-graph 會精確告訴你哪些檔案、哪些函式會受到影響。不是 47 個「可能相關」，而是真正相關的 5-10 個檔案。

場景二：大型專案維護
面對一個幾十人維護的遺留程式碼庫，想搞清楚某個模組被誰依賴、修改它會影響哪些功能？圖譜一目了然。

場景三：架構重構
想移除某個「看起來沒用到」的模組？先用知識缺口分析看看它是否真的孤立，再做決策。

場景四：程式碼 onboarding
新人入職，需要快速了解一個陌生程式碼庫的結構？圖譜比逐個翻檔案夾高效得多。

04 增量更新：改完程式碼，圖自動刷新

很多人擔心「建圖是一次性工作，後續維護很麻煩」。實際不是。

code-review-graph 會在每次 git 提交或檔案儲存時自動觸發更新：

1. 1.鉤子檢測到變更檔案
2. 2.透過 SHA-256 找到相關依賴
3. 3.只重新解析變更的部分
4. 4.圖資料庫增量更新

一個 2,900 檔案的專案，增量索引只需要不到 2 秒。 首次建構會慢一些（約 10 秒處理 500 個檔案），但後續都是增量生效。

05 支援多少語言和平臺？

目前支援 23+ 程式語言，涵蓋主流技術棧：

Python、TypeScript/TSX、JavaScript、Vue、Svelte、Go、Rust、Java、Scala、C#、Ruby、Kotlin、Swift、PHP、Solidity、C/C++、Dart、R、Perl、Lua、Zig、PowerShell、Julia，以及 Jupyter/Databricks 筆記本。

支援的 AI 編碼平臺也很廣：

• ●Claude Code
• ●Cursor
• ●Codex
• ●Windsurf
• ●Zed
• ●Continue
• ●OpenCode
• ●Antigravity
• ●Kiro

基本上你用的 AI 編碼工具，它都支援。

06 不僅僅是程式碼審查

很多人以為這只是「程式碼審查工具」，實際上它的能力遠不止於此：

架構分析
自動生成程式碼架構圖，標註耦合度過高的地方（Hub 節點）和架構瓶頸（Bridge 節點）。做架構重構時特別有用。

知識缺口分析
發現那些「孤立」的程式碼（沒有被充分測試的函式、很少被呼叫的模組、測試覆蓋薄弱的區域）。

語義搜尋
支援向量嵌入搜尋，可以按語義尋找程式碼實體，而不只是關鍵字匹配。

重構輔助
重新命名預覽、框架感知的死碼檢測、基於社群結構的重構建議。

匯出能力
可以把圖匯出成 GraphML（給 Gephi 用）、Neo4j Cypher、Obsidian 知識庫，或者 SVG 靜態圖。靈活對接你現有的工作流程。

07 怎麼安裝使用？

前提條件：Python 3.10+

安裝指令：

一條指令完成所有配置。install 會自動偵測你裝了哪些 AI 編碼工具，寫入對應的 MCP 配置，並注入圖感知指令。

可選依賴（按需安裝）：

安裝完成後，打開你的專案，向 AI 助手發送：

然後就可以開始用了。

08 總結

code-review-graph 解決了一個很實在的問題：讓 AI 只讀它該讀的程式碼。

核心價值：

• ●Token 消耗平均降低 8.2 倍，最多 49 倍
• ●增量更新，修改程式碼後圖自動刷新
• ●支援 23+ 語言和主流 AI 編碼平臺
• ●本地 SQLite 儲存，不依賴雲端服務
• ●不僅僅是審查，還能做架構分析、重構輔助、知識缺口發現

侷限性也需要知道：

• ●小型單檔變更場景，圖建構開銷可能大於收益
• ●搜尋品質（MRR）還有提升空間
• ●流程檢測目前只在 Python 專案裡比較可靠

如果你經常做程式碼審查、或者在大專案裡用 AI 編碼工具，這個工具值得一試。

完整專案資訊

• ●GitHub：https://github.com/tirth8205/code-review-graph
• ●官網：https://code-review-graph.com
• ●PyPI：https://pypi.org/project/code-review-graph/
• ●許可證：MIT（免費開源）

如果這篇文章對你有幫助，點個在看支持一下。有任何問題歡迎留言區交流。

覺得好用的話，也可以去 GitHub 點個 Star，算是對開發者最好的支持。

我們下期見！