让 AI 只读＂必要的代码＂,这个开源工具帮你省掉无效 token

你有没有遇到过这种情况：让 AI 帮你 review 一个函数，结果它把整个仓库翻了一遍，token 烧了一大半，给出的修改意见还是离题的。

这不是 AI 不够聪明，而是它根本不知道哪些代码和这次改动有关。

code-review-graph 就是来解决这个问题的。它在今天的 GitHub Trending 强势上榜，专门给 AI 编程工具做"上下文裁剪器"。

基础介绍

code-review-graph 是一个本地优先的代码智能图工具。它用 Tree-sitter 把你的代码库解析成一张结构图——每个函数、类、import 是节点，调用关系、继承关系、测试覆盖是边。

整张图持久化存储在本地，不上传云端。通过 MCP 接口，它可以直接接入 Claude Code、Cursor、Codex、Gemini CLI、GitHub Copilot 等主流 AI 编程工具，让这些工具在做代码审查时"只读必要的文件"。

它的项目口号很直白：Stop burning tokens. Start reviewing smarter.

解决什么问题

AI 编程工具在做 code review 时，默认行为是"尽量多读上下文"——因为它不知道哪些文件和这次改动真正相关，只能多读来兜底。

这导致了两个问题： 一是 token 浪费，大量无关代码被喂进去； 二是噪声干扰，相关性低的文件反而可能让 AI 给出离题建议。

code-review-graph 引入了一个叫"blast radius"（变更辐射圈）的概念：当一个文件被修改时，工具会自动通过图的结构，追踪出所有直接/间接的调用方、关联测试和依赖项。这个辐射圈内的文件，才是 AI 真正需要读的。

README 里给出了具体的 benchmark 数据：

一个大型 monorepo 里，27700+ 个文件被排除在 review 上下文之外，AI 实际只读了约 15 个文件。

轻量原理拆解：你的代码库先被 Tree-sitter 静态解析成 AST，保存成带边权重的图结构。每次文件变更时，图引擎通过 SHA-256 哈希检测哪些节点变了，再沿着边向上追踪所有受影响的调用链和测试，得出最小必要文件集，通过 MCP 传给 AI 工具。整个过程在本地完成，AI 工具读到的是一份精准的"最小上下文"，而不是整个仓库。

接入方式

Python 3.10+ 环境，三步完成安装：

install 命令会自动扫描你已安装的 AI 编程工具，写入对应的 MCP 配置文件，并注入图感知指令到各平台的规则文件里。支持单独指定目标平台：

安装完成后重启编辑器，然后向 AI 工具发送一句话启动首次构建：Build the code review graph for this project。

初始构建完成后，后续每次保存文件或触发 commit hook，图会自动增量更新。README 数据：2900 个文件的项目增量重索引时间不到 2 秒。

为什么值得收藏

适合谁：重度使用 Claude Code、Cursor、Codex 这类 AI 编程工具的开发者，尤其是在中大型项目上做 code review 的场景。

省什么时间：减少 AI review 时的 token 浪费，同时让给出的建议更聚焦。README 里的 benchmark 数据来自真实测量，不是估算。

支持语言覆盖面广：Python、JavaScript/TypeScript、Go、Rust、Java、C/C++、C#、Ruby、Kotlin、Swift 等主流语言都有 Tree-sitter 解析支持。

风险和注意点：项目目前是个人作者维护，生产级大型项目需要自行评估稳定性；首次 build 时间和图的质量依赖代码库结构复杂度；blast radius 的精准度取决于图的边完整性，动态调用（如 Python 动态 import）可能覆盖不全。