Question 1

Jak obsługuje on monorepos, worktree git, i różnych repozytoriów?

Accepted Answer

Monorepos: za pomocą jednego grafu dla każdego repozytorium root jest tworzony automatycznie; tylko śledzone pliki są indeksowane, i może być użyty .code-review-graphignore plik do wykluczenia dodatkowych ścieżek. Git worktree: każde worktree wraz z własnym grafem jest wykrytym jako jeden root odłączony, ale nie jest obsługiwana współdzielenie jednego bazy danych na różnych wersjach. Wiele repozytoriów: lekko ustawiona rejestracja (zapisywana jako ~/.code-review-graph/registry.json) pozwala klientom MCP na poszukiwanie na zarejestrowanych projektach, a daemon może monitorować kilka reponów podczas aktualizacji grafów. Użyj --repo, --data-dir, lub zmiennej CRGDATADIR środowiskowej do konfiguracji lokalizacji.

Question 2

How big a codebase justifies it?

Accepted Answer

Below a few hundred files the benefit is marginal because an agent can often hold the whole repo in context. Between a few hundred and a few thousand files is the sweet spot: benchmarks on repos ranging from 60 to ~1,100 files show 38×–528× token reductions on whole‑corpus questions. Multi‑thousand‑file repos and monorepos provide the strongest case, as agents cannot read the entire corpus per query and incremental graph updates keep the index fresh with minimal cost. The frequency of multi‑file queries also influences the payoff.

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

When should I not use it?

Accepted Answer

README wymienia kilka przypadków: bardzo małe repozytoria (kilkaset plików), w których koszty budowy grafu przewyższają korzyści; proste zmiany jednego pliku, gdzie odpowiedź grafowa dodaje więcej tokenów niż surowy diff; jednorazowe pytania o repo, które nie zostanie ponownie odwiedzone; oraz wykrywanie przepływu w językach, w których wykrywanie punktów wejścia CRG jest mniej niezawodne (np. JavaScript i Go obecnie mają niski recall). W tych scenariuszach wystarcza zwykłe wyszukiwanie agentowe lub grepowanie.

Question 6

How does it compare to Serena, codegraph, claude-context, and repomix?

Accepted Answer

Te narzędzia rozwiązują pokrewne problemy. code-review-graph buduje drzewo AST z Tree‑sitter do trwałego grafu SQLite z krawędziami skoncentrowanymi na przeglądzie (rozległość, analiza zmian oceniona pod kątem ryzyka, wykrywanie luk w testach). Serena wykorzystuje pobieranie symboli i edycję wspierane przez LSP, skupiając się na edycji, a nie na przeglądzie. codegraph różni się implementacją, ale ogólnie zapewnia indeksowanie AST/graphu wywołań. claude-context oferuje semantyczne wyszukiwanie kodu typu chunk‑plus‑embed przy użyciu magazynu wektorowego, nadający się do wyszukiwania, a nie do strukturalnego przeglądu. repomix pakietuje cały repozytorium w jeden plik przyjazny AI, bez zapytań strukturalnych. Wybierz narzędzie w zależności od tego, czy potrzebujesz precyzyjnej edycji (Serena), semantycznego wyszukiwania (claude-context), czy strukturalnej analizy zorientowanej na przegląd (code-review-graph).

Question 7

Dlaczego nie można użyć jedynie grep?

Accepted Answer

Grep działa dla prostych zagadnień o jeden krok jak ”gdzie jest zdefiniowany parsefile?”, ale problematyczne jest dla wielokrotnych, strukturalnych zapytań wymagających prześledzenia transytu, mapowania pokrycia testami, lub analizy promieni wpływu. Każdy dodatkowy krok wymagałby kolejnego ruchu gresowania, co zwiększa konsumpcję tokenów i traktowanie fałszywych pozytywów ze względu na zawłaszczone nazwy. CRG odpowiada na te zagadnienia zapytaniem grafowym w ciągu jednej graficznej operacji, istnieje przechowywane indeksowane struktury w SQLite i jest w nich wybrane zwiększenie, co unika ponownych skanów i dostarcza zapytań niewiarygodnych poprzez grep takich jak ”które ścieżki wykonania dotyka ten zmiana?”

Question 8

Czy to jest tylko RAG?

Accepted Answer

Nie. RAG dzieli kod na bloki tekstowe, zakotwicza je oraz odnajduje na bazie podobieństwa do zapytania. Nie może odpowiedzieć na strukturalne pytania, np. "który moduł wywołuje X" ponieważ podobieństwo nie zapewnia żadnej pewności w stosunku do powiązania wywołującego. CRG przechowuje krawędzie strukturalne pobrałe z AST—wywołań, importów, dziedziczenia, pokryć w testach—taka zapytanie jak "który moduł wywołuje login()" zostaje udzielona za pomocą poszukiwania w grafie. Zasoby embeddings są opcjonalne i są używane tylko jako asystent połączony z wyszukiwaniem w hybrydzie. Badania pokazują, że CRG osiąga 0,909 punktów na zadań odnajmujących z czterema krokami, podczas gdy przeszukiwanie czysta na podobieństwo nie jest w stanie wykonać drugiego kroku.

Question 9

W jaki sposób działa to narzędzie w porównaniu z LSP i serwerami języka?

Accepted Answer

Serwery języka oraz code-review-graph (CRG) budują model strukturalny kodu, ale optymalizują się w różny sposób. LSP korzysta z backendu front-endowego prawdziwego kompilatora, dostarczając wyniki zorientowane na typy, precyzyjnie syntaktyczne, takie jak dokładne przejście do definicji, znalezienie odnośników do kodu, otrzymanie żywych diagnoz, uzupełnianie kodu w czasie wykonywania i bezpieczne przeedytowanie nazw. CRG korzysta z jednego półtrwałego grafu przechowywanego w SQLite, analizuje kod raz przy pomocy Tree-sitter, a wsparcie udziela dla około 35 języków oraz dla notebooków z jednego procesu. Zawiera połączenia między językami, niezerowe aktualizacje oraz krawędzie oryginalne w kontekście przeglądania, takie jak testy dla kodu źródłowego, przepływy wykonawcze i analizę zmian skutkującą oceną ryzyka, której LSP nie obejmuje.

Review Pr (Grade A)Bezpiecznie testowana umiejętność data-ai dla Claude AI. Klasa A. Przeglądaj PR lub różnicę gałęzi przy użyciu grafu wiedzy dla pełnego kontekstu strukturalnego. Wynikiem jest strukturalny przegląd z analizą promienia wybuchowego.

Przegląd

Kluczowe funkcje

Cennik

Zastosowania

Przegląd kodu

Ocena ryzyka

Plusy i minusy

Plusy

Minusy

Recenzje

Pytania i odpowiedzi

Zadaj pytanie

Alternatywy dla Umiejętności