Question 1

Como ele lida com monorepos, git worktrees e múltiplos repositórios?

Accepted Answer

Monorepos: um grafo por raiz do repositório é criado automaticamente; apenas arquivos rastreados são indexados, e um arquivo .code-review-graphignore pode excluir caminhos adicionais. Git worktrees: cada worktree é detectado como uma raiz separada e recebe seu próprio grafo; compartilhar um único banco de dados entre worktrees em commits diferentes não é suportado. Múltiplos repositórios: um registro leve (armazenado em ~/.code-review-graph/registry.json) permite que os clientes MCP pesquisem em projetos registrados, e um daemon pode monitorar vários repositórios para manter seus grafos atualizados. Use --repo, --data-dir ou a variável de ambiente CRGDATADIR para personalizar locais.

Question 2

Qual o tamanho de um código-base que justifica o uso?

Accepted Answer

Abaixo de algumas centenas de arquivos, o benefício é marginal porque um agente pode, muitas vezes, manter todo o repositório no contexto. Entre algumas centenas e alguns milhares de arquivos há o ponto ideal: benchmarks em repositórios que variam de 60 a cerca de 1.100 arquivos mostram reduções de tokens de 38× a 528× em perguntas sobre o corpus inteiro. Repositórios de dezenas de milhares de arquivos e monorepos oferecem o caso mais forte, pois os agentes não conseguem ler todo o corpus por consulta e as atualizações incrementais do gráfico mantêm o índice atualizado com custo mínimo. A frequência de consultas multi‑arquivo também influencia o retorno.

Question 3

Como verificar se está funcionando?

Accepted Answer

1. Certifique-se de que o arquivo de grafo existe e contém nós/bordas; um contador zero significa que a construção não rodou. 2. Faça uma alteração e observe o resumo de risco e o painel de Economia de Tokens; adicione --verify para comparar as estimativas de token com o tokenizador cl100kbase. 3. No Claude Code, execute /mcp e confirme que o servidor code‑review‑graph está conectado e suas ferramentas estão listadas. Em seguida, faça uma pergunta estrutural (por exemplo, "quem chama parsefile?") e verifique se o assistente usa query_graph em vez de grepping. Se algum passo falhar, consulte TROUBLESHOOTING.md.

Question 4

Ele faz chamadas externas?

Accepted Answer

Não. Não há telemetria. O grafo é armazenado localmente em um arquivo SQLite dentro do seu repositório, e todas as operações principais são executadas inteiramente na sua máquina. A única atividade de rede é opcional: instalar o extra de embeddings fará o download de um modelo sentence‑transformers do HuggingFace, e provedores de embeddings na nuvem (OpenAI, Google Gemini, MiniMax) receberão apenas as assinaturas de função que você explicitamente escolher para embutir, após você reconhecer o aviso de egress. Caso contrário, seu código nunca sai da máquina.

Question 5

Quando eu não devo usá-lo?

Accepted Answer

O README lista vários casos: repositórios muito pequenos (alguns centenas de arquivos) em que o custo de construir um grafo supera os benefícios; alterações triviais em um único arquivo onde a resposta do grafo adiciona mais tokens do que o diff bruto; perguntas pontuais sobre um repositório que você não revisitará; e detecção de fluxo em linguagens onde a detecção de ponto de entrada do CRG é menos confiável (por exemplo, JavaScript e Go têm baixa recuperação atualmente). Nesses cenários, buscas agênicas simples ou grepping costumam ser suficientes.

Question 6

Como ele se compara à Serena, codegraph, claude-context e repomix?

Accepted Answer

Essas ferramentas resolvem problemas adjacentes. O code-review-graph constrói um AST do Tree‑sitter em um grafo SQLite persistente com arestas focadas em revisão (alcance de blast, análise de mudança pontuada por risco, detecção de lacunas de teste). A Serena utiliza recuperação e edição de símbolos suportadas por LSP, concentrando-se na edição em vez da revisão. O codegraph varia por implementação, mas geralmente fornece indexação de AST/grafo de chamadas. O claude-context oferece busca semântica de código em blocos com embed usando um store vetorial, adequado para busca em vez de revisão estrutural. O repomix empacota um repositório inteiro em um único arquivo AI‑friendly sem consultas estruturais. Escolha a ferramenta com base em se você precisa de edição precisa (Serena), busca semântica (claude-context) ou análise estrutural orientada a revisão (code‑review‑graph).

Question 7

Por que não usar apenas grep?

Accepted Answer

Grep funciona para perguntas simples de um salto como "onde está definido parsefile?", mas tem dificuldades com consultas estruturais de múltiplos saltos que exigem rastreamento transitivo, mapeamento de cobertura de testes ou análise de raio de impacto. Cada salto adicional exigiria outra rodada de grepping, aumentando o uso de tokens e lidando com falsos positivos de nomes sobrecarregados. O CRG resolve isso com uma única consulta de grafo, persiste a estrutura indexada em SQLite e atualiza incrementalmente, evitando varreduras repetidas e fornecendo consultas que não têm equivalente em grep, como "quais caminhos de execução essa mudança afeta?"

Question 8

Não é isso apenas RAG?

Accepted Answer

Não. RAG divide seu código em trechos de texto, gera embeddings e recupera trechos por similaridade à consulta. Não pode responder perguntas estruturais como ‘quem chama X’ porque similaridade não garante relação de chamada

Question 9

Como isso é diferente de LSP e servidores de linguagem?

Accepted Answer

Servidores de linguagem e code-review-graph (CRG) ambos constroem um modelo estrutural do seu código, mas otimizam para coisas diferentes. LSP é alimentado por um front‑end de compilador real, oferecendo resultados conscientes de tipos e semanticamente precisos, como navegação exata para definição, busca de referências, diagnósticos ao vivo, autocompletar e renomeações seguras. CRG utiliza um único grafo persistente armazenado em SQLite, faz a análise uma única vez com Tree‑sitter e suporta cerca de 35 linguagens mais notebooks a partir de um único processo. Ele fornece ligações cruzadas entre linguagens, atualizações incrementais e ligações orientadas a revisão, como tests‑for, fluxos de execução e análise de risco de mudanças que o LSP não modela.

Review Pr (Grade A)Habilidade de dados-ai testada em segurança para Claude AI. Nota A. Revisite um PR ou diff de ramo usando o grafo de conhecimento para contexto estrutural completo. Saída uma revisão estruturada com análise de raio de explosão.

Visão geral

Funcionalidades principais

Preços

Casos de uso

Revisão de Código

Avaliação de Risco

Prós e contras

Prós

Contras

Avaliações

Perguntas e respostas

Faz uma pergunta

Alternativas a Habilidades