Question 1

¿Cómo maneja monorepos, worktrees de git y varios repositorios?

Accepted Answer

Monorepos: se crea automáticamente un grafo por raíz del repositorio; solo se indexan los archivos rastreados y un archivo .code‑review‑graphignore puede excluir rutas adicionales. Worktrees de git: cada worktree se detecta como una raíz separada y obtiene su propio grafo; no se admite compartir una única base de datos entre worktrees en diferentes commits. Varios repositorios: un registro ligero (almacenado en ~/.code‑review‑graph/registry.json) permite que los clientes MCP busquen entre los proyectos registrados, y un daemon puede vigilar varios repos para mantener sus grafos actualizados. Use --repo, --data-dir o la variable de entorno CRGDATADIR para personalizar las ubicaciones.

Question 2

¿Qué tamaño de base de código justifica su uso?

Accepted Answer

Con menos de unos pocos cientos de archivos el beneficio es marginal porque un agente a menudo puede mantener todo el repositorio en contexto. Entre unos cientos y unos pocos miles de archivos es el punto óptimo: los benchmarks en repositorios que van de 60 a ~1.100 archivos muestran reducciones de tokens de 38× a 528× en preguntas sobre todo el corpus. Los repositorios de varios miles de archivos y los monorepos presentan el caso más sólido, ya que los agentes no pueden leer todo el corpus por consulta y las actualizaciones incrementales del grafo mantienen el índice fresco con un coste mínimo. La frecuencia de consultas que abarcan varios archivos también influye en la rentabilidad.

Question 3

¿Cómo verifico que está funcionando?

Accepted Answer

1. Asegúrate de que el archivo del grafo exista y contenga nodos/aristas; un recuento cero indica que la compilación no se ejecutó. 2. Realiza un cambio y observa el resumen de riesgos y el panel de Ahorro de Tokens; añade --verify para cotejar las estimaciones de tokens con el tokenizador cl100kbase. 3. En Claude Code, ejecuta /mcp y confirma que el servidor code‑review‑graph está conectado y sus herramientas aparecen listadas. Luego formula una pregunta estructural (p. ej., "¿qué llama a parsefile?") y verifica que el asistente use query_graph en lugar de buscar con grep. Si alguna etapa falla, consulta TROUBLESHOOTING.md.

Question 4

¿Envía datos a un servidor externo?

Accepted Answer

No. No hay telemetría. El grafo se almacena localmente en un archivo SQLite dentro de tu repositorio, y todas las operaciones principales se ejecutan completamente en tu máquina. La única actividad de red es opcional: instalar el extra de embeddings descargará un modelo sentence‑transformers de HuggingFace, y los proveedores de embeddings en la nube (OpenAI, Google Gemini, MiniMax) recibirán solo las firmas de funciones que elijas explícitamente incrustar, tras reconocer la advertencia de salida de datos. De lo contrario, tu código nunca abandona la máquina.

Question 5

¿Cuándo no debería usarlo?

Accepted Answer

El README enumera varios casos: repositorios muy pequeños (pocas cientos de archivos) donde el costo de construir el grafo supera los beneficios; cambios triviales de un solo archivo donde la respuesta del grafo agrega más tokens que el diff crudo; preguntas puntuales sobre un repositorio que no volverá a visitar; y detección de flujo en lenguajes donde la detección de puntos de entrada de CRG es menos fiable (p. ej., JavaScript y Go actualmente tienen bajo recall). En estos escenarios, la búsqueda agente simple o usar grep suele ser suficiente.

Question 6

¿Cómo se compara con Serena, codegraph, claude-context y repomix?

Accepted Answer

Estas herramientas resuelven problemas adyacentes. code-review-graph construye un AST de Tree‑sitter en un grafo SQLite persistente con aristas enfocadas en la revisión (radio de explosión, análisis de cambios con puntuación de riesgo, detección de brechas de pruebas). Serena usa recuperación de símbolos basada en LSP y edición, centrándose en la edición más que en la revisión. codegraph varía según la implementación, pero generalmente ofrece indexación de AST/grafo de llamadas. claude-context ofrece búsqueda semántica de código por fragmento + incrustación usando un almacén vectorial, adecuada para búsqueda más que para revisión estructural. repomix empaqueta todo un repositorio en un único archivo amigable para IA sin consultas estructurales. Elija la herramienta según necesite edición precisa (Serena), búsqueda semántica (claude-context) o análisis estructural orientado a revisión (code-review-graph).

Question 7

¿Por qué no usar simplemente grep?

Accepted Answer

Grep funciona para preguntas simples de un solo paso como "¿dónde está definido parsefile?", pero tiene dificultades con consultas estructurales de varios pasos que requieren rastreo transitivo, mapeo de cobertura de pruebas o análisis del radio de impacto. Cada paso adicional requeriría otra ronda de grep, aumentando el uso de tokens y generando falsos positivos por nombres sobrecargados. CRG responde a estas consultas con una única consulta de grafo, persiste la estructura indexada en SQLite y se actualiza de forma incremental, evitando escaneos repetidos y proporcionando consultas que no tienen equivalente en grep, como "¿qué rutas de ejecución toca este cambio?"

Question 8

Isn't this just RAG?

Accepted Answer

No. RAG splits your code into text chunks, embeds them, and retrieves chunks by similarity to the query. It cannot answer structural questions such as "who calls X" because similarity provides no guarantee of a call relationship. CRG stores structural edges parsed from the AST—calls, imports, inheritance, test coverage—so a query like "who calls login()" is answered by a graph lookup. Embeddings are optional and used only as a hybrid search aid. Benchmarks show CRG achieving 0.909 on multi‑hop retrieval tasks, whereas pure similarity retrieval cannot perform the second hop.

Question 9

How is this different from LSP and language servers?

Accepted Answer

Language servers and code-review-graph (CRG) both build a structural model of your code, but they optimize for different things. LSP is backed by a real compiler frontend, giving type‑aware, semantically precise results such as exact go‑to‑definition, find‑references, live diagnostics, completions, and safe renames. CRG uses a single persistent graph stored in SQLite, parses once with Tree‑sitter, and supports about 35 languages plus notebooks from one process. It provides cross‑language edges, incremental updates, and review‑oriented edges like tests‑for, execution flows, and risk‑scored change analysis that LSP does not model.

Resumen

Funciones clave

Precio

Casos de uso

Revisión de código

Evaluación de riesgo

Pros y contras

Ventajas

Contras

Reseñas

Preguntas y respuestas

Hacer una pregunta

Alternativas a Habilidades