Question 1

როგორ მუშაობს monorepos, git worktrees და მრავალი რეპოზიტორი?

Accepted Answer

Monorepos: თითოეული რეპოზიტორიის საწყისისთვის ავტომატურად იქმნება ერთი გრაფი; ინდექსირდება მხოლოდ ტრეკირებული ფაილები, და .code-review-graphignore ფაილის საშუალებით შეიძლება დამატებითი ბილიკები გამოიცვალოს. Git worktrees: თითოეული worktree აღიქმება ცალკე root‑სად და თითოეული თავისი გრაფი; სხვადასხვა commit‑ზე worktrees‑ში ერთი ბაზის გაზიარება არ მხარდაჭერილია. მრავალი რეპოზიტორი: მსუბუქი რეგისტრი (შენახული ~/.code-review-graph/registry.json‑ში) საშუალებას აძლევს MCP კლიენტებს მოძებნონ რეგისტრირებულ პროექტებზე, ხოლო daemon შეუძლია რამდენიმე რეპოზიტორი მონიტორინგი და მათი გრაფების განახლება. გამოიყენეთ --repo, --data-dir ან CRGDATADIR გარემოს ცვლადი, რათა განსაზღვროთ მდებარეობები.

Question 2

რამდენი ზომის კოდბაზა მისი გამოყენებას განზრახს?

Accepted Answer

შეიძლება რამდენიმე ასობით ფაილის ქვედა ზღვარს. იმ შემთხვევებში, როდესაც რეპოზიტორი რამდენიმე ასობით–რამდენიმე ათასი ფაილიდან შედგება, მიღებული სარგებელი უფრო მნიშნელოვანია: 60–1100 ფაილიანი რეპოზიტორებზე ჩატარებული ტესტები აჩვენებენ 38×–528× token‑ის შემცირებას მთელ კოლექტივის კითხვებზე. მრავალ‑ათასი ფაილიანი რეპოზიტორიები და მონისპორები უზრუნველყოფენ ყველაზე ძლიერი შემთხვევას, რადგან აგენტები არ შეძლებენ სრული კოლექტივის კითხვა თითოეული მოთხოვნისას, ხოლო ინკრემენტალური გრაფის განახლება ინარჩუნებს ინდექსს ახალ მდგომარეობაში მინიმალური ხარჯით. ასევე, მრავალფაილიანი მოთხოვნების სიმპათია მოქმედებს მიღებული მოგებაზე.

Question 3

როგორ შემოწმოთ, რომ მუშაობს?

Accepted Answer

1. დარწმუნდით, რომ გრაფიკის ფაილი არსებობს და შეიცავს ნოდებს/კავშირებს; ნული რაოდენობა ნიშნავს, რომ ბილ्डი არ გაეშვა. 2. გაუშვით შეცვლა და დააკვალიფიცირეთ რისკის შეჯამება და Token Savings პანელი; დაამატეთ --verify, რათა გადამოწმოთ token‑ის შეფასება cl100kbase‑ტოკენიზატორით. 3. Claude Code-ში გაუშვით /mcp და დადასტურეთ, რომ code‑review‑graph სერვერი დაკავშირებულია და მისი ინსტრუმენტები სიაში არიან. შემდეგ დასვით სტრუქტურული შეკითხვა (მაგ.: "what calls parsefile?") და დარწმუნდით, რომ ასისტენტი იყენებს query_graph, არა grep‑ს. თუ რომელიმე ნაბიჯი ვერ შესრულდება, მიმართეთ TROUBLESHOOTING.md ფაილს.

Question 4

გააგზავნის თუ არა იგი მონაცემები სერვერს?

Accepted Answer

არა. ტელემეტრია არ არსებობს. გრაფიკი შენახულია ლოკალურად SQLite ფაილში თქვენს რეპოზიტორიში, ყველა ძირითადი ოპერაცია სრულად შესრულდება თქვენს კომპიუტერში. ინტერნეტ‑აქტივობა მხოლოდ არჩევითი: embeddings‑ის დამატებითი მოდული ინსტალაციას HuggingFace‑ისგან გადმოწერენ sentence‑transformers მოდელს, ხოლო ღრუბლური embedding‑მომწოდებლებს (OpenAI, Google Gemini, MiniMax) გადაეცემა მხოლოდ ის ფუნქციის სიგნატურები, რომლებშიც თქვენ თავად აირჩევთ embed‑ისას, შემდეგაც ერგებით egress‑ის გაფრთხილებას. სხვა შემთხვევაში, თქვენი კოდი არასდროს გამოდის მანქანიდან.

Question 5

როდის არ უნდა გამოვიყენო ეს?

Accepted Answer

README‑ში მოშორებულია რამდენიმე შემთხვევა: ძალიან მცირე რეპოზიტორიები (რამდენიმე ას ფაილი), სადაც გრაფის აგების ზედმეტი ღირებულება აღემატება მისი უპირატესობებს; მარტივი ერთ‑ფაილიანი ცვლილებები, სადაც გრაფის პასუხი მეტ ტოკენებს მოითხოვს ვიდრე მარტივი diff; ერთ‑ჯერადი შეკითხვები რეპოზიტორიაში, რომელსაც არ განვიხილავთ; და ნაკლებად საიმედო flow‑დეტექცია ენებში, სადაც CRG‑ის entry‑point‑ის ამოცნობა ნაკლებია (მაგალითად, JavaScript‑სა და Go‑ს ამჟამად აქვს დაბალი recall). ამ სცენარებში მარტივი agentic ძიება ან grepping ჩვეულებრივ საკმარისია.

Question 6

როგორ შედარება ხდება Serena, codegraph, claude-context და repomix‑თან?

Accepted Answer

ეს ინსტრუმენტები_adjacent problems‑ს გადაწყვეტენ. code-review-graph ქმნის Tree‑sitter AST‑ს მუდმივ SQLite‑გრაფში review‑ზე ორიენტირებული წიბოებით (blast radius, risk‑scored change‑analysis, test‑gap detection). Serena იყენებს LSP‑ით მხარდაჭერილი სიმბოლოთა ძიებას და ჩასწორებას, უფრო მეტად კონცენტრირებულია ჩასწორებაზე ვიდრე გადახედვაზე. codegraph-ი იმპლემენტაციის მიხედვით განსხვავდება, მაგრამ ჩვეულებრივ უზრუნველყოფს AST/​call‑graph‑ის ინდექსირებას. claude-context იყენებს chunk‑plus‑embed სემანტიკურ კოდის ძიებისთვის ვექტორ‑სტორნით, შესაფერისია ძიებისთვის, არა სტრუქტურული გადახედვისთვის. repomix აერთიანებს მთელ რეპოზიტორიას ერთ AI‑მეგობრულ ფაილში, გარეშე სტრუქტურულ კითხვებ. აირჩიეთ ინსტრუმენტი იმაზე დაფუძნებით, თუ საჭიროა ზუსტი ჩასწორება (Serena), სემანტიკური ძიება (claude-context) ან გადახედვის-ორბზე ორიენტირებული სტრუქტურული ანალიზი (code-review-graph).

Question 7

რატომ არ გამოიყენოთ უბრალოდ grep?

Accepted Answer

Grep მუშაობს მარტივ ერთ‑ჰოპი კითხვებისთვის, მაგალითად „სადაა განსაზღვრული parsefile?“, მაგრამ იმუშავებს არამარტივ მულტი‑ჰოპ სტრუქტურულ შეკითხვებზე, რომლებიც საჭიროებენ ტრანზიტიურ ტრეკინგს, ტესტ‑გაფართოების რუკას ან ზემოქმედების რადიუსის ანალიზს. თითოეული დამატებითი ჰოპი საჭიროებს grepping-ის ახალ რაუნდს, რაც ზრდის ტოკენების მოხმარებას და ქმნის შესაძლო კრჭიალობებს გადაჭარბებული სახელებისგან. CRG ამ საკითხებს გადაწყვეტს ერთიანი გრაფის ძიებით, ინარჩუნებს ინდექსირებულ სტრუქტურას SQLite‑ში და განაახლებს ინკრემენტულად, თავიდან აცილებს გადახედვის საჭიროებას და უზრუნველყოფს მოთხოვნებს, რომლებსაც grep-თან არ აქვთ მსგავსი, როგორიცაა „რომელი შესრულების გზები ეს ცვლილება ეხება?“

Question 8

ეს არაა უბრალოდ RAG?

Accepted Answer

არა. RAG‑ი თქვენს კოდს იყოფა ტექსტურ ბლოკებში, ედობირებს მათ და ბლოკებს იპოვნებს სიმილარულობით მოთხოვნის მიმართ. ის ვერ პასუხობს სტრუქტურულ კითხვებზე, მაგალითად "ვინ აკრობს X‑ს", რადგან სიმილარული დამთხვევა არ გისურვებს კვალი‑ურთიერთობას. CRG კი ინახავს სტრუქტურალურ კავშირთა, რომელიც გამოვლინდა AST‑დან—მოძრაობები, იმპორტები, მემკვიდრეობითი, ტესტის კოვერეიჯი—ისითა რომ კითხვა, მაგალითად "ვინ აკრობს login()" პასუხდება გრაფის ძებნის შედეგად. ენბედინგები არჩევითი და გამოიყენება მხოლოდ ჰიბრიდული ძებნის საშუალებად. ბენჩმარკები აჩვენებს, რომ CRG‑ის მიღწევა 0.909‑ია მრავალ‑ჰოპის რეტრივალის დავალებებში, როდესაც სურათული similarity‑ით მიღებული რეტრივალი ვერ ახერხებს მეორე ჰოპის შესრულებას.

Question 9

რა განსხვავებაა მას LSP-სა და პროგრამის სერვერებთან?

Accepted Answer

პროგრამის სერვერებს (Language Servers) და code‑review‑graph (CRG) ორივე ქმნიან თქვენი კოდის სტრუქტურული მოდელს, თუმცა ისინი ოპტიმიზაციას აკეთებენ განსხვავებულ საკითხებზე. LSP‑ს მხარს უჭერს რეალურ კომპილატორის ფრონტ‑ენდი, რაც იძლევა ტიპის‑გაცნობით, სემანტიკურად ზუსტ შედეგებს, როგორიცაა ზუსტი go‑to‑definition, find‑references, ცოცხალი დიაგნოსტიკა, ავტო‑დასრულება და უსაფრთხო გადარქმევა. CRG იყენებს ერთ ერთობლივ გრაფს, რომელიც შენახულია SQLite-ში, ერთხელაა დამუშავებული Tree‑sitter‑ით, და აჭარსებს დაახლოებით 35 ენას plus notebooks‑ებს ერთი პროცესორით. იგი უზრუნველყოფის跨‑ენოვანი კავშირები, ინქრემენტული განახლება, და მიმოხილვაზე ორიენტირებულ კავშირს, როგორიცაა tests‑for, შესრულების ნაკადები, და რისკ‑შეფასებული ცვლილებების ანალიზი, რაც LSP არ მოდელირებს.

მიმოხილვა

ძირითადი ფუნქციები

ფასები

გამოყენების შემთხვევები

კოდის მიმოხილვა

რისკის შეფასება

დადებითი და უარყოფითი

დადებითი

უარყოფითი

შეფასებები

კითხვები

დასვი კითხვა

კარიერის უნარები-ის ალტერნატივები