Question 1

Hvordan håndterer det monorepos, git worktrees og flere repos?

Accepted Answer

Monorepos: en graphe per repository root er lagt automatisk sammen; bare sporet filer er indeksed, og en .code-review-graphignore fil kan ekskludere ytterligere stier. Git worktrees: hver worktree er detektert som et eget rottre og får sin egen graphe; deling av en enkelt database over worktrees på forskjellige commits er ikke støttet. Flere repos: et lysvægtet register (lagret ved ~/.code-review-graph/registry.json) lar MCP klienter søke over registrerte prosjekter, og en daemon kan overvåke flere repos for å holde sine graphe oppdatert. Bruk --repo, --data-dir, eller CRGDATADIR miljøvariabelen for å customize lokasilier.

Question 2

Hvor stor en kodenhet er det å gi det

Accepted Answer

Under noen hundre filer er fordelene marginale fordi en agent kan ofte holde hele reposen i kontekst. Mellom noen hundre og noen tusen filer er den søte plassen: Benchmarkinger på repos i størrelsesorden fra 60 til ~1100 filer viser 38–528 ganger reduksjon i token på hele-korpus-spørsmål. Reposer med flere tusen filer og monorepos gir den sterkeste saken, fordi agenter ikke kan lese hele korpus per spørsmål og inkrementelle grafoppdateringer holder indeksen frisk med minimal kostnad. Frekvensen av multi-fil-spørsmål påvirker også utbyttet.

Question 3

Hvordan kan jeg verifisere at det fungerer?

Accepted Answer

1. Sørg for at graf-filen finnes og inneholder noder/kanter; en teller på null betyr at byggingen ikke kjørte. 2. Kjør en endring og observer risikoøkonomisummen og Token Savings-panelen; legg til --verifiser for å kontrollere token-estimater med cl100kbase-tokenizeren. 3. I Claude Code, kjør /mcp og bekreft at kode-anmeldings-graf-serveren er tilkoblet og dens verktøy er listet. Deretter still et strukturelt spørsmål (f. eks. "hva kaller parsefile?") og verifiser at assistenten bruker query_graph i stedet for å søke. Hvis noen av disse stegene feiler, konsulter TROUBLESHOOTING.md.

Question 4

Kontakter den en ekstern server?

Accepted Answer

Nei. Det er null telemetri. Grafen lagres lokalt i en SQLite-fil innenfor ditt repository, og alle kjernedatakørsler kjører helt på din maskin. Den eneste nettverksaktiviteten er valgfri: å installere embeddings-ekstrautstyret vil laste ned et sentence-transformers-modell fra HuggingFace, og skytjenesteleverandører for innkapsling (OpenAI, Google Gemini, MiniMax) vil motta bare funksjonsignaturer du uttrykkelig velger å innkapsle, etter at du har godkjent advarselet om avgang.

Question 5

Når bør jeg ikke bruke dette?

Accepted Answer

README lista flere tilfeller: meget små prosjekter hvor byggingen av en graf vektlegger i forhold til nytten; enkeltestendige endringer hvor graf-responsen tilføyer flere tegn enn det rene diff; enehånds spørsmål på et prosjekt som ikke vil bli besøkt igjen; og fløydetectering i språk hvor CRG's inntrædelsedesteksjon er mindre tilførlig (til eksempel JavaScript og Go har noenlunde lavt oppdagelsestrykk i dag). I disse scenariene er ofte enkel agentiv søker eller grepning nok.

Question 6

Hvor kommer det i forhold til Serena, codegraph, claude-context og repomix?

Accepted Answer

Disse verktøylene løser tilgrensende problemer. code-review-graph bygger en Tree-sitter AST inn i en persistent SQLite-graf med omfatsende kanter (blast radius, risikopunktbevurdering og test-spring- deteksjon). Serena benytter seg av symbol-henting og -redigering via LSP-sammenarbeid og fokuserer på redigering i stedet for på gjennomgang. codegraph varierer avhengig av implementering, men generelt gir det AST/call- grensedefinisjoning. claude-context tilbyr en semantisk søker med embeddings ved hjelp av et vektorlag, egnet for søkering i stedet for strukturert gjennomgang. repomix pakker hele et prosjekt inn i en enkel AI-vennlig fil uten bruk av strukturerte sporsmal. Velg det pågår det redigeringsnøyaktighet (Serena), semantisk søker (claude-context) eller gjennomgangsorientert strukturanalyse (code-review-graph) du har bruk for.

Question 7

Hvorfor kan man ikke bare bruke grep?

Accepted Answer

Grep fungerer for enkelte én-hop spørsmål som 'hvor er parsefile definert?' men løper opp mot grensen når det gjelder multi-hop strukturbeskrivende spørsmål som krever transittiv overføring, test-dekning område- analyse av innflytelsesradius, eller analyse av endringsradius. Hvert endret hop ville kreve ytterligere runde av grep, økende bruk av token og håndtering av falske positive fra overlastede navn. CRG svarer på disse med en enkelt graphe spørsmål, legger inn indeksen struktur i SQLite og oppdaterer inkrementalt, unngår gjentatt skanning og tilbyr spørsmål som ikke har grep ekvivalent, slik som "vilken utføringsvei er dette endringspunktet vedvarende?".

Question 8

Er dette bare RAG?

Accepted Answer

Nei. RAG deler din kode inn i tekstblokker, lagrer dem og henter blokkene ved likhet med spørsmålet. Det kan ikke svare på strukturaliserte spørsmål slik som "hvem kaller X" siden likhet ikke gir noen sikkert garanti av et kalleforholdsforhold. CRG lagrer strukturelle kanten fra syntaksen—kall, imports, arv, testdekning—, så et spørsmål som "hvem kaller login()?" svares ved en graf-leitning. Embedding er pågjengelige og brukes bare som en hibrid-søkehjelp. Tester viser CRG oppfyller 0,909 på multi-hop-søkeoppgaver, samtidig som ren likhet-sjøke ikke kan utføre den andre hoppen.

Question 9

Hvorfor er dette forskjellig fra LSP og språkservere?

Accepted Answer

Språkservere og code-review-graph bygger begge opp en strukturskjelett av koden din, men de optimaliserer seg for ulike ting. LSP bygges opp av et ekte forrader til compiler, og gir type-motsvarige, semantisk nøyaktige resultater som eksakt gå-tur-definition, finn-referanser, live-diarbeid, kompleter, og trygge navneendringer. CRG bruker en enkelt bestendig graf lagret i SQLite,-parserer én gang med Tree-sitter, og støtter omkring 35 programmeringsspråk plus notebokene fra en prosess. Det gir korsprogrammering kanten, inkrementelle oppdateringer, og oversikt over retningene til oversikt om tester, utføringstrinn, og riskomtrente endringanalyser uten den modeler LSP ikke.

Review Pr (Grade A)Sikkerhets-testet data‑AI‑kompetanse for Claude AI. Grade A. Gjenoppretter en PR eller gren‑diff ved hjelp av kunnskapsgrafen for full strukturell kontekst. Leverer en strukturert gjennomgang med blast‑radius analyse.

Oversikt

Nøkkelfunksjoner

Priser

Brukstilfeller

Kodegjennomgang

Risikoevaluering

Fordeler og ulemper

Fordeler

Ulemper

Anmeldelser

Spørsmål

Still et spørsmål

Alternativer til Ferdigheter