Question 1

Monorepo, git worktree, 그리고 여러 리포를 어떻게 처리하나요?

Accepted Answer

Monorepo: 레포지토리 루트당 하나의 그래프가 자동으로 생성되며, 트래킹되는 파일만 인덱싱됩니다. 추가적인 경로를 제외하려면 .code-review-graphignore 파일을 사용할 수 있습니다. Git worktree: 각 워크트리는 별도의 루트로 인식되어 각각의 그래프를 가집니다. 서로 다른 커밋에 위치한 워크트리 간에 단일 데이터베이스를 공유하는 것은 지원되지 않습니다. 여러 레포: 가벼운 레지스트리(~/.code-review-graph/registry.json에 저장)를 통해 MCP 클라이언트가 등록된 프로젝트들을 검색할 수 있으며, 데몬을 실행해 여러 레포의 그래프를 동시에 감시·갱신할 수 있습니다. --repo, --data-dir 옵션이나 CRGDATADIR 환경 변수를 사용해 위치를 커스터마이즈하면 됩니다.

Question 2

소스 리포지토리 크기가 얼마나 되야 이 도구가 유용할까요?

Accepted Answer

소스가 몇 개 일 때 이 도구의ประโยชน은 약하지만, 100개 미만의 파일 크기일 때, 에이전트는 전체 리포지토리를 컨텍스트 하에 유지할 수 있습니다. 몇백 개의 파일과 일만 개의 파일 사이가 가장 좋습니다. 60에서 1,100 개의 파일까지의 리포지토리에 대한 벤치 마크 연구에서 38~528배의 토큰 감소를 볼 수있었습니다. 수천 개의 파일에 해당하는 리포지토리와 마이크로 서비스 기반의 리포지토리는 가장 강력한 대가로 에이전트가 하나의 쿼리로 모든 텍스트를 읽지 못하여 인덱스를 계속 업데이트하고 최소비용으로 유지할 수 있기 때문입니다. 한 파일에서 여러 개의 쿼리를 수행하는 빈도도 이 도구의 활용도를 결정합니다.

Question 3

How do I verify it is working?

Accepted Answer

1. Ensure the graph file exists and contains nodes/edges; a zero count means the build didn’t run. 2. Run a change and observe the risk summary and Token Savings panel; add --verify to cross‑check token estimates with the cl100kbase tokenizer. 3. In Claude Code, run /mcp and confirm the code-review-graph server is connected and its tools are listed. Then ask a structural question (e.g., "what calls parsefile?" ) and verify the assistant uses query_graph instead of grepping. If any step fails, consult TROUBLESHOOTING.md.

Question 4

Does it phone home?

Accepted Answer

No. There is zero telemetry. The graph is stored locally in a SQLite file inside your repository, and all core operations run entirely on your machine. The only network activity is optional: installing the embeddings extra will download a sentence‑transformers model from HuggingFace, and cloud embedding providers (OpenAI, Google Gemini, MiniMax) will receive only the function signatures you explicitly choose to embed, after you acknowledge the egress warning. Otherwise, your code never leaves the machine.

Question 5

어울리는 상황이 아닐 때 Review Pr (Grade A)를 사용해서는 안되는 상황은?

Accepted Answer

README 에 나와있는 시나리오에서는 다음 상황이 해당됩니다: 매우 작은 리포(몇 백 개의 파일)에서 그래프를 빌드하는 오버 헤드가 이점보다 크거나, 단일 파일의 변화를 처리 할 때 그래프 응답 토큰이 raw diff 보다 더 많거나, 한번 발생하고 나면 다시 방문하지 않는 repo상에서 한 번의 질문에 대해,또는 CRG 에서 entry-point detection 가 불분명한 언어(현재, 자바 스크립트 및 Go)에서 흐름 감지를 해야 한다면, 이럴 경우 simple agentic search 이나 grepping이 통계적으로 더 좋습니다.

Question 6

Review Pr (Grade A)와 Serena, codegraph, claude-context, repomix와 비교할 때 이들은 어떤 점이 다르며?

Accepted Answer

이 도구들은 인접한 문제를 해결합니다. code-review-graph는 리뷰에 집 trung된 변환(graph), 리스크 점수 분석, 테스트 갭 검출, 그리고 SQL Lite 그래프에 트리 사이터 AST를 빌드합니다. Serena는 LSP 기반 심볼 조회와 편집에 초점을 맞추어 편집보다는 리뷰를 중점으로 두고 있습니다. codegraph는 다양한 구현체로 구성되어 AST 및 콜 그래프 인덱싱을 제공합니다. claude-context는 벡터 스토어를 사용하여 의미 있는 코드 검색을 제공하며 검색에 적합합니다. 반면 Repomix는 구조적 쿼리가 아닌 단일 AI 친화적인 파일에整个 리포를 패키징합니다. 이 도구를 사용하는 것이 올바른지 여부는 편집이 정확하게 필요한 경우(serena), 의미 검색을 제공하는 경우 (claude-context), 또는 리뷰 지향된 구조 분석이 필요할 때(code-review-graph)입니다.

Question 7

그냥 grep만 쓰면 안 되나요?

Accepted Answer

Grep은 "parsefile이 어디에 정의돼 있나요?"처럼 단일 홉 질문에는 잘 동작하지만, 전이 추적, 테스트 커버리지 매핑, 혹은 영향 반경 분석과 같이 다중 홉 구조적 질의에는 한계가 있습니다. 홉이 하나 추가될 때마다 또다시 grep을 실행해야 하므로 토큰 사용량이 늘어나고, 이름이 겹치는 경우 오탐이 발생합니다. CRG는 이러한 요구를 단일 그래프 쿼리로 해결하고, 인덱스된 구조를 SQLite에 저장하며, 증분 업데이트를 지원해 반복 스캔을 피합니다. 또한 "이 변경이 영향을 미치는 실행 경로는 무엇인가요?"와 같이 grep으로는 구현할 수 없는 질의를 제공합니다.

Question 8

그냥 RAG가 아닌가요?

Accepted Answer

아니요. RAG는 코드를 텍스트 청크로 나누고 임베딩한 뒤, 쿼리와의 유사도로 청크를 검색합니다. 따라서 '누가 X를 호출하는가'와 같은 구조적 질문에 답할 수 없습니다. 유사도는 호출 관계를 보장하지 않기 때문입니다. CRG는 AST에서 파싱된 구조적 엣지—호출, 임포트, 상속

Question 9

LSP 및 언어 서버와는 어떻게 다른가요?

Accepted Answer

언어 서버와 코드‑리뷰‑그래프(CRG)는 모두 코드의 구조적 모델을 구축하지만, 최적화 대상이 다릅니다. LSP는 실제 컴파일러 프론트엔드에 기반하여 타입을 인식하고, 정확한 정의 이동, 참조 찾기, 실시간 진단, 자동 완성, 안전한 이름 바꾸기 등을 제공합니다. CRG는 SQLite에 저장되는 하나의 지속 그래프를 사용하고, Tree‑sitter로 한 번 파싱하며, 한 프로세스에서 약 35개의 언어와 노트북을 지원합니다. 크로스‑언어 엣지, 점진적 업데이트, 그리고 테스트‑for, 실행 흐름, 위험 점수 기반 변경 분석과 같은 리뷰‑지향 엣지를 제공하는데, 이는 LSP가 모델링하지 않습니다.

개요

주요 기능

가격

사용 사례

코드 리뷰

위험성 평가

장단점

장점

단점

리뷰

Q&A

질문하기

기술 대안

개요