Question 1

איך הוא מטפל ב‑monorepos, Git worktrees, ומגוון רפוזיטוריות?

Accepted Answer

Monorepos: מתבצעת יצירת גרף אחד לכל שורש רפוזיטוריית; רק קבצים מעוקלים מתווספים, ו־.code-review-graphignore יכול לחסום נתיבים נוספים. Git worktrees: כל worktree מזוהה כשורש נפרד ומקבל גרף משלו; אין תמיכה בשיתוף בסיס נתונים יחיד בין worktrees ב‑commits שונים. רפוזיטוריות מרובות: רישום קל (שמור ב‑~/.code-review-graph/registry.json) מאפשר ל‑MCP clients לחפש בין פרויקטים רשומים, ושירות (daemon) יכול לצפות בכמה רפוזיטוריות כדי לשמור על גרפים מעודכנים. השתמש ב־--repo, --data-dir או במשתנה הסביבה CRGDATADIR להתאמה של מיקומים.

Question 2

כמה גודל של בסיס קוד מצדיק את השימוש בכלי זה?

Accepted Answer

מתחת למספר מאות קבצים, היתרון הוא שולי בגלל שניתן לעיתים קרובות לאחזן את כל הרפוזיטורי בהקשר. בין מספר מאות למספר אלפים קבצים, זהו האזור האידיאלי: בדיקות על רפוזיטורים בטווח של 60 עד ~1,100 קבצים מראות 38×–528× הפחתה בטוקנים בשאילתות של כל הקורפוס. רפוזיטורים עם אלפי קבצים ו-מונו-רפוזיטורים מספקים את התיק החזק ביותר, מכיוון שסוכנים לא יכולים לקרוא את כל הקורפוס לכל שאילתה, ועדכונים חד-גרפיים מנטרלים את המדד בעלות מינימלית. תדירות שאילתות רב-קובציות גם משפיעות על הרווח.

Question 3

איך מאמתים שזה עובד?

Accepted Answer

1. וודאו שקובץ הגרף קיים ומכיל קודקודים/קשתות; נסיכות אפס משמעות שהבנייה לא רצה. 2. הרץ שינוי ותצפה בסיכום הסיכונים ובלוח חיסכון טוקנים; הוסף --verify כדי לבדוק את ההערכות של מספר הטוקנים בtokenizer cl100kbase. 3. ב-Claude Code, הרץ /mcp ואשרו ששרת הגרף לבדיקת קוד מחובר וכלים שלו רשומים. אז שאלו שאלה מבנית (למשל, "מה קורא לparsefile?") ווודאו שהעוזר משתמש ב-query_graph במקום grepping. אם כל שלב נכשל, פנו ל-TROUBLESHOOTING.md.

Question 4

האם זה מתקשר הביתה?

Accepted Answer

לא. אין טלמטריה. הגרף נשמר במקום, בקובץ SQLite, בתוך המאגר שלך, וכל הפעולות המרכזיות רצות על המכונה שלך. הפעילות הרשתית היחידה היא אופציונלית: התקנת ה-hugging face, וספקי ה-embedding של ענן (OpenAI, Google Gemini, MiniMax) יקבלו רק את החתימות של הפונקציות שבחרת לשלב, אחרי שאישרת את אזהרת היציאה. בניגוד לזאת, הקוד שלך אף פעם לא עוזב את המכונה.

Question 5

מתי אין להשתמש בו?

Accepted Answer

רשימת ה-README כוללת מספר מקרים: רפוזיטורים קטנים מאוד (מספר מאות קבצים) שבהם העומס של בניית גרף גדול מהיתרונות; שינויים חד-פעמיים בקובץ בודד, שבהם תגובת הגרף מוסיפה יותר טוקנים מאשר ההבדל הגולמי; שאילתות חד-פעמיות ברפוזיטורי שלא תיפתח שוב; וגילוי זרימה בשפות שבה

Question 6

איך הוא משווה ל-Serena, codegraph, claude-context, ו-repomix?

Accepted Answer

כלים אלו פותרים בעיות סמוכות. code-review-graph בונה את ה-Tree-sitter AST לגרף SQLite קבוע עם קשתות ממוקדות ביקורת (טווח פיצוץ, ניתוח שינויים בעלי ציון סיכון, גילוי פערים בבדיקות). Serena משתמשת באחזור ועריכת סמלים בתמיכת LSP, ומתמקדת בעריכה יותר מאשר בביקורת. codegraph משתנה בהתאם ליישום, אך בדרך כלל מספק אינדקסים של AST/גרף קריאות. claude-context מציעה חיפוש קוד סמנטי עם אחסון וקטורי, המתאים לחיפוש ולא לביקורת מבנית. repomix מארזת כל רפוזיטורי אחד לקובץ AI-ידידותי אחד, ללא שאילתות מבניות. בחר את הכלי המתאים לצרכייך, בהתאם לצורך בעריכה מדויקת (Serena), חיפוש סמנטי (claude-context) או ניתוח מבני ממוקד-ביקורת (code-review-graph).

Question 7

למה לא פשוט להשתמש ב‑grep?

Accepted Answer

ה‑Grep עובד לשאלות פשוטות חד‑קופיות כמו "איפה מוגדר parsefile?", אך מתקשה עם שאילתות מבניות רב‑קופיות הדורשות מעקב תעתיק, מיפוי כיסוי בדיקות או ניתוח טווח השפעה. כל קופ שונה דרוש סבב grepping נוסף, מה שמעלה את צריכת הטוקנים ומטיל על טיפול ב‑false positives מ‑שמות עומסים. ה־CRG עונה על אלה עם שאילתה אחת על גרף, שומר את המבנה המוּעָד ב‑SQLite ומעדכן באופן אינקרמנטלי, מונע סריקה חוזרת ומספק שאילתות שאין להן שקול ב‑grep, כמו "אילו נתיבים ביצועיים משנים זה משנה?"

Question 8

האם זה לא רק RAG?

Accepted Answer

לא. RAG מחלק את הקוד שלך לקטעים טקסט, מוסיף embeddings ומחזיר קטעים על סמך דמיון לשאילתה. הוא לא יכול לענות על שאלות מבניות כגון 'מי קורא X' כי הדמיון אינו מבטיח קשר קריאה. CRG מאחסן קשתות מבניות שנוצרו מה‑AST—קריאות, ייבוא, בירושה, כיסוי בדיקות—כך ששאלת 'מי קורא login()' נענית על ידי חיפוש בגרף. embeddings אופציונליים ומשמשים רק כעזר חיפוש היברידי. הבנצ'מרקים מציגים את CRG השיגה 0.909 במשימות מחיפוש מרובות קפיצה, בעוד שחיפוש דמיון טהור אינו יכול לבצע את הקפיצה השנייה.

Question 9

כיצד זה שונה מ‑LSP ושרתי שפה?

Accepted Answer

שרתי שפה ו‑CRG (code‑review‑graph) בונים מודל מבני של הקוד שלך, אך הם מיטביים למטרות שונות. LSP מנוהל על ידי קומפיילר אמיתי, ולכן מספק תוצאות מדויקות וסוגיות של סוגים כגון מעבר מדויק להגדרה, מציאת הפניות, דיאגנוסטיקה בזמן אמת, השלמות ושמות בטוחים. CRG משתמש בגרף קבוע שמאוחסן ב‑SQLite, מנתח פעם אחת באמצעות Tree‑sitter, ותומך כ־35 שפות ועוד נוטבooks ממקור אחד. הוא מספק קשתות חוצות שפה, עדכונים אינקרמנטליים וקשתות ממוקדות ביקורת כמו tests‑for, flows ביצוע ואנליזה של שינוי עם סיכון שלא מודל ב‑LSP.

Review Pr (Grade A)תכונה בדקת-בטחות ל- data-ai ל-Claude AI. A . לחקור PR או branch diff בעזרת knowledge graph לתמונת מנוף נרחבת. יש מדת analysis חייש

סקירה

תכונות עיקריות

תמחור

מקרי שימוש

Review code

Risk Assessment

יתרונות וחסרונות

יתרונות

חסרונות

ביקורות

שאלות ותשובות

שאל שאלה

חלופות למיומנויות