Question 1

Comment gère-t-il les monorepos, les répertoires git, et les multiples repositories ?

Accepted Answer

Monorepos : Un graphique par racine de répertoire est créé automatiquement ; uniquement les fichiers suivis sont indexés, et un fichier .code-review-graphignore peut exclure des chemins supplémentaires. Git Worktrees : chaque travail est détecté en tant que racine séparée et obtient son propre graphique ; le partage d'une seule base de données entre plusieurs arbres de travail à différents commits n'est pas supporté. Répertoire multiples : Un registre léger (stocké à ~/.code-review-graph/registry.json) permet aux clients MCP de rechercher dans les projets enregistrés, et un démon peut surveiller plusieurs répertoires pour garder à jour leurs graphiques. Utilisez –repo, –data-dir ou la variable d'environnement CRGDATADIR pour personnaliser les emplacements.

Question 2

La taille d'un codebase justifie-t-elle l'utilisation de cet outil?

Accepted Answer

Entre quelques centaines et quelques milliers de fichiers est le point d'équilibre : les benchmarks dans des repos allant de 60 à environ 1 100 fichiers montrent une réduction des tokens de 38× à 528× sur des questions sur le corpus entier. Des repos avec plusieurs milliers de fichiers et des monorespos offrent le cas le plus fort, car les agents ne peuvent pas parcourir l'intégralité du corpus par requête et les mises à jour incrémentales de graphe maintiennent l'index frais à faible coût.

Question 3

Comment peux-je vérifier que cela fonctionne?

Accepted Answer

1. Assurez-vous que le fichier graphique existe et contient des nœuds/aretes ; un décompte nul indique que la construction n'a pas eu lieu. 2. Effectuez une modification et observez le résumé des risques et le panneau Économisez les jetons ; ajoutez --verify afin de comparer les estimations de jetons avec le tokenizer cl100kbase. 3. Dans Claude Code, exécutez /mcp et confirmez que le serveur de graphiques de revues de code est connecté et qu'onts de ses outils sont listés. Ensuite, posez une question structurée (par exemple, « que fait parsefile? ») et vérifiez que l'assistant utilise query_graph à la place de grep. Si une étape échoue, consultez TROUBLESHOOTING.md.

Question 4

Existe-t-il une collecte de données?

Accepted Answer

Non. Il n'y a aucune télémetrie. Le graphique est stocké localement dans un fichier SQLite à l'intérieur de votre dépôt, et toutes les opérations de base s'exécutent intégralement sur votre machine. L'activité réseau est facultative : l'installation des embeddings supplémentaires télécharge un modèle de transformations de phrases de HuggingFace, et les fournisseurs d'embeddings cloud (OpenAI, Google Gemini, MiniMax) ne recevront que les signatures de fonctions que vous choisissez explicitement d'imbriquer, après avoir donné votre accord sur la mise en alerte de sortie. Dans tous les cas, votre code ne parsese pas d la machine.

Question 5

Dans quelles circonstances ne devrais-je pas l'utiliser ?

Accepted Answer

La feuille de route liste plusieurs cas : des dépôts très petits (quelques centaines de fichiers) où l'entrée en charge du graphique pèse plus lourd que les avantages ; des modifications de fichiers uniques où la réponse graphique ajoute davantage de jetons que la différence brute ; des questions ponctuelles sur un dépôt que vous ne réviserez pas ; et la détection de flux dans des langages où la détection d'entrée de CRG est moins fiable (par exemple, JavaScript et Go ont actuellement un faible rappel). Dans ces scénarios, une recherche simple agente ou une recherche en grep est généralement suffisante.

Question 6

Comment compare-t-il à Serena, codegraph, claude-context et repomix ?

Accepted Answer

Ces outils résolvent des problèmes adjacents. code-review-graph construit un arbre AST Tree-sitter dans un graphique SQL persistant avec des bordures d'examen (rayon d'impact, analyse du score de risque de changement, détection de fossé de test). Serena utilise la récupération et l'édition des symboles basés sur LSP, axé sur l'édition plutôt que sur l'examen. codegraph varie en fonction de l'implémentation mais fournit généralement un indexation AST/correspondance de fonctions. claude-context propose une recherche de code vectorielle segmenté avec émbedding, adapté à la recherche plutôt qu'à une revue structurale. repomix encapsule un fichier entier du dépôt dans un seul fichier favorable à l'intelligence artificielle sans requêtes structurales. Choisissez l'outil en fonction de votre besoin de mise à jour précise (Serena), de recherche sémantique (claude-context) ou d'analyse structurale orientée examen (code-review-graph)

Question 7

Pourquoi ne pas utiliser simplement grep ?

Accepted Answer

Grep fonctionne en effet pour des questions simples en une étape comme "où est define parsefile défini ?" mais il peine avec des requêtes structurées multi-étapes qui nécessitent une traçabilité transitive, un mappage de couverture de test ou encore une analyse d'épaisseur d'impact. Chaque étape supplémentaire nécessiterait une autre session de grepping, augmentant ainsi les utilisations et les manipulations de tokens ainsi que les fausses positifs des noms surchargés. CRG répond à ces problèmes avec une requête graphique unique, persiste la structure indexée en SQLite, et met-à-jour incrémentalement, évitant ainsi la scanneur répété et fournissant des requêtes sans équivalent pour grep, telles que « quels chemins d'exécution ce changement touche-t-il ? »

Question 8

N'est-ce pas juste RAG ?

Accepted Answer

Non. RAG divise votre code en tronçons de texte, les intègre et récupère les tronçons en fonction de la similarité par rapport à la requête. Il ne peut pas répondre à des questions structurales comme "Qui appelle X" puisque la similarité ne garantit pas la relation de rappel. CRG stocke des arêtes structurales découlant du parseur de code abstrait –appels, imports, héritage, couverture de tests—so que une requête comme "Qui appelle login()" est répondue par un look-up dans le graphique. Les émbeddings sont facultatifs et utilisés seulement comme un moyen d'aide de recherche hybride. Les benchmarks montrent que CRG réalise 0,909 sur les tâches de récupération multi-hop, tandis que les récupérations de similarité pures ne peuvent pas effectuer le deuxième saut.

Question 9

Comment cela diffère-t-il de LSP et des serveurs de langage ?

Accepted Answer

Les serveurs de langages et code-review-graph (CRG) élaborent tous deux un modèle structural de votre code, mais ils optimisent des choses différentes. LSP est alimenté par une interface avant de compilateur réelle, offrant des résultats type-aware, précisément à connotation sémantique, tels que des définitions exactes, les références pour trouver, des diagnostics en direct, des complétions et des renumérotages sécurisés. CRG utilise un graphique persistant unique stocké en SQLite, analyse le code une seule fois avec Tree-sitter et prend en charge environ 35 langages et des notebooks à partir d'un seul processus. Il fournit des arêtes translangage, les mises à jour incrémentielles et des arêtes d'examen orientée comme des tests-pour, les flux d'exécution et l'analyse de score des risques que LSP ne modèle pas.

Review Pr (Grade A)Une compétence datte-aï sécurité testée pour Claude AI. Grade A. Évaluez les modifications PR ou branche à l'aide de cartographie des connaissances pour obtenir un contexte structural complet.

Aperçu

Fonctionnalités clés

Tarifs

Cas d’usage

Revue de code

Évaluation de risque

Pour & contre

Pour

Contre

Avis

Questions & réponses

Poser une question

Alternatives à Compétences