Question 1

Kako ravna z monorepoji, git worktree-i in več repo-ji?

Accepted Answer

Monorepos: za vsak koren repozitorija se samodejno ustvari en graf; indeksirajo se le sledene datoteke, in datoteka .code-review-graphignore lahko izključi dodatne poti. Git worktree-i: vsak worktree se zazna kot ločen koren in dobi svoj lasten graf; deljenje ene same baze podatkov med worktree-ji na različnih commitih ni podprto. Več repo-jev: lahka registrija (shrani v ~/.code-review-graph/registry.json) omogoča, da odjemalci MCP iščejo po registriranih projektih, in daemon lahko spremlja več repozitorijev, da ohranja njihove grafe posodobljene. Za prilagoditev lokacij uporabite --repo, --data-dir ali okoljsko spremenljivko CRGDATADIR.

Question 2

Kako velik kodni bazen upravičuje njegovo uporabo?

Accepted Answer

Pri manj kot nekaj sto datotekah je korist marginalna, ker lahko agent pogosto drži celotno repozitorij v kontekstu. Med nekaj sto in nekaj tisoč datotekami je optimalna točka: merila na repozitorijih, ki segajo od 60 do ~1.100 datotek, kažejo na 38×–528× zmanjšanje števila žetonov pri vprašanjih o celotnem korpusu. Repzoitoriji z več tisoč datotekami in monorepozitoriji predstavljajo najmočnejši primer, saj agenti ne morejo prebrati celotnega korpusa po posamezni poizvedbi, inkrementalne posodobitve grafa pa ohranjajo indeks svež z minimalnimi stroški. Pogostost poizvedb, ki zajemajo več datotek, tudi vpliva na donosnost.

Question 3

Kako preverim, ali deluje?

Accepted Answer

1. Preverite, da obstaja datoteka grafa in da vsebuje vozlišča/robove; ničelni števec pomeni, da gradnja ni potekla. 2. Izvedite spremembo in opazujte povzetek tveganja ter ploščo Prihranek tokenov; dodajte --verify, da pregledujete ocene tokenov z tokenizerjem cl100kbase. 3. V Claude Code zaženite /mcp in potrdite, da je strežnik code‑review‑graph povezan ter da so na seznamu njegovi orodja. Nato zastavite strukturirano vprašanje (npr. „kdo kliče parsefile?“) in preverite, ali asistent uporablja query_graph namesto grepa. Če katerikoli korak spodleti, si oglejte TROUBLESHOOTING.md.

Question 4

Ali se poveže z internetom?

Accepted Answer

Ne. Telemetrija je popolnoma odsotna. Graf je shranjen lokalno v SQLite datoteki znotraj vašega repozitorija, vse osnovne operacije pa potekajo popolnoma na vašem računalniku. Edina omrežna dejavnost je po želji: namestitev dodatka embeddings bo prenesla model sentence‑transformers z HuggingFace, in ponudniki oblačnih embeddings (OpenAI, Google Gemini, MiniMax) bodo prejeli le funkcijske podpise, ki jih izrecno izberete za embedovanje, po tem ko potrdite varnostno opozorilo. V nasprotnem primeru vaš kodni zagon nikoli ne zapusti računalnika.

Question 5

Kdaj ga ne bi smel uporabljati?

Accepted Answer

README izpostavlja več primerov: zelo majhni repozitoriji (le nekaj sto datotek), kjer prevelik strošek gradnje grafa presega koristi; trivialne spremembe ene datoteke, kjer je odziv grafa dolžine več tokenov kot surovi diff; enkratne vprašanja o repozitoriju, ki ga ne boste ponovno obiskali; in odkrivanje toka v jezikih, kjer je CRG-ovo zaznavanje vhodne točke manj zanesljivo (npr. JavaScript in Go trenutno pri nizki zajetosti). V teh scenarijih je običajno zadostna preprosta agentna iskanje ali grep.

Question 6

Kako se primerja z Serena, codegraph, claude-context in repomix?

Accepted Answer

Ti orodja rešujejo sosednje probleme. code-review-graph gradi Tree‑sitter AST v trajnostni SQLite graf z robovi, osredotočenimi na pregled (blast radius, analize sprememb ocenjeno po tveganju, odkrivanje testnih prečk). Serena uporablja LSP-želeni prenos simbola in urejanje, osredotočena je na urejanje, ne pa na pregled. codegraph se razlikuje po implementaciji, vendar splošno omogoča indeksiranje AST/klicnega grafa. claude-context nudi semantično iskanje kode chunk-plus-embed z uporabo vektorske shrambe, primerno za iskanje, ne pa za strukturo pregledov. repomix zapakira celoten repozitorij v enotno AI prijazno datoteko brez strukturiranih poizvedb. Izberite orodje glede na to, ali potrebujete natančno urejanje (Serena), semantično iskanje (claude-context) ali pregledno usmerjeno strukturno analizo (code-review-graph).

Question 7

Zakaj ne zgolj uporabiti grep?

Accepted Answer

Grep deluje za preprosta enojna vprašanja, kot je "kje je definiran parsefile?", vendar se težko spopada z večstopni strukturo, ki zahteva tranzitivno sledenje, mapiranje pokritosti testov ali analizo vpliva na območje. Vsak dodatni korak bi zahteval še eno krog grepla, kar poveča porabo tokenov in upravljanje lažnih pozitiv, ki nastanejo z preobremenjenimi imeni. CRG odgovarja na ta vprašanja z enim samo poizvedbo po grafu, ohranja indeksirano strukturo v SQLite in jo posodablja inkrementalno, kar preprečuje ponovno skeniranje in omogoča poizvedbe, za katere ni grep ekvivalenta, kot je na primer "katere izpisne poti to spremembo dotakne?"

Question 8

Ali to ni le RAG?

Accepted Answer

Ne. RAG razdeli vaš kodo na besedilne bloke, jih vgradijo in poizveduje po podobnosti z vprašanjem. Ne more odgovoriti na strukturirana vprašanja, kot je "kdo kliče X", saj podobnost ne zagotavlja povezanosti klicanja. CRG shrani strukturirane povezave, prebrane iz AST – klice, uvoze, dedovanje, testno pokritost – zato vprašanje, kot je "kdo kliče login()", odgovorijo z iskanjem po grafu. Vgradnje so po želji in se uporabljajo le kot hibridni iskalni pripomoček. Primerjalne meritve kažejo, da CRG doseže 0.909 pri nalogah večkrožnega poizvedovanja, medtem ko čisti poizvedbe po podobnosti ne morejo opraviti drugega skoka.

Question 9

Kako se to razlikuje od LSP in jezikovnih strežnikov?

Accepted Answer

Jezikovni strežniki in code-review-graph (CRG) obe ustvarjata strukturalni model vašega kode, vendar optimizirata različne stvari. LSP temelji na dejanskem prevajalnem vmesniku, kar omogoča rezultate, ki so zavzeti z vrsto, semantično natančne, kot so natančna navigacija na definicijo, iskanje referenc, dinamična diagnostika, dopolnitve in varno preimenovanje. CRG uporablja en trajen graf, shranjen v SQLite, enkrat analizira z Tree‑sitter in podpira približno 35 jezikov in beležke iz enega procesa. Omogoča mešane jezikovne povezave, inkrementalne posodobitve in povezave, osredotočene na pregled, kot so test‑for, izvajalni tokovi in analiza sprememb z oceno tveganja, ki jih LSP ne modelira.

Review Pr (Grade A)Varnostno preverjena data-ai funkcija za Claude AI. Grade A.

Pregled

Ključne funkcije

Cene

Primeri uporabe

Pregled kode

Ocena tveganja

Prednosti in slabosti

Prednosti

Slabosti

Ocene

Vprašanja

Postavi vprašanje

Alternative za Znanja