核心分析¶

项目定位：code-review-graph 解决的是 AI 驱动审查时被动读取大量无关源码 的问题。它通过 Tree-sitter 把仓库解析成节点/边的代码图，并在变更时计算该变更的 blast radius，只把最小必要上下文通过 MCP 提供给 AI。

技术特点¶

• 静态代码图：函数、类、导入、调用和测试边被建模为图。
• 增量与哈希校验：改动文件只做局部重解析，例：2,900 文件 <2s 重建。
• MCP 集成：在 AI 工具端注入配置以限制模型读取的片段。

使用建议¶

1. 首次在小仓库跑 code-review-graph build 验证输出。
2. 在 CI/PR 启用本地 Action，先以 report-only 方式评估节省率与误报。

注意：对高度动态或运行时生成的调用，静态图可能漏掉边，需结合测试或运行时分析补强。

总结：对静态可解析代码库，项目能直接减少模型上下文规模，降低代币成本并加快审查反馈。

核心分析¶

问题核心：blast-radius 通过图遍历追踪变更文件的调用者、被依赖者与相关测试，从而计算出 AI 需要阅读的最小上下文。

技术分析¶

• 计算方法：以变更节点为起点，通过调用/继承/导入/测试边做可达性传播（BFS/DFS）。
• 漏判风险：反射、字符串拼接生成的调用、运行时代码生成不会被静态 Tree-sitter 完整捕获。
• 误判风险：跨模块的公共 util 被保守包含，但在实际执行路径中可能无影响。

实用建议¶

1. 在仓库中启用并收集测试覆盖边以缩小误报面。
2. 对动态密集文件采用运行时追踪或手动标注（languages.toml/ignore）。
3. 在 CI 初期使用 report-only，观察误报/漏报并调整策略。

注意：不能把 blast-radius 当作唯一真理；将其作为减少 LLM 上下文的强力启发式方案，并与测试/运行时数据结合。

总结：blast-radius 对静态依赖效果显著，动态场景需补充策略以保证完整性。

核心分析¶

上线策略：采用分阶段、数据驱动的推广流程：试点 → 监测 → 调整 → 门控 → 全面推广。

具体步骤¶

1. 试点：在小仓库或功能分支运行 code-review-graph build + CI Action（report-only）。
2. 度量基线：收集并对比指标：LLM tokens、模型响应延迟、PR 需阅读文件数、CI 时长与误报率。
3. 迭代调整：根据报告调整 languages.toml、忽略规则与风险阈值；加入测试覆盖边以减小误报。
4. 门控启用：在稳定后把 Action 设置为可配置的 fail-on-risk，并继续监控回归。
5. 规模化：启用 watch 模式、CI 缓存与 artifact 回写以优化性能。

注意：初期务必保持 report-only 并保存审计日志以便回溯误判原因。

总结：量化指标（tokens/latency/PR 文件数）是判断 ROI 的关键；循序渐进能在不影响开发节奏下获得实测收益。

核心分析¶

项目定位：使用 Tree-sitter + 代码图，把语法解析与程序依赖建模结合，便于高效计算受影响范围并支持增量更新。

技术特点与优势¶

• 高性能解析：Tree-sitter 支持增量解析与多语言，适合编辑器/CI 的低延迟场景。
• 图表示自然：函数/类/导入/测试作为节点/边，方便做 BFS/DFS 找到调用链与测试覆盖。
• 可扩展性：通过 languages.toml 添加新语言，不改核心逻辑。

设计权衡¶

1. 优点：速度快、跨语言、易做 blast-radius 传播分析。
2. 限制：静态图无法捕获反射、字符串拼接生成的调用；非内置语言需额外 mapping。

注意：在对动态特性依赖重的代码库，应结合测试或运行时跟踪以补足静态盲点。

总结：该架构在精确度与性能间做了实用折中，适合以静态可解析为主的大型仓库审查场景。

核心分析¶

问题核心：入门低门槛但要充分发挥需一定学习成本。pip install + install + build 可快速看到成果，但深化集成（CI 门控、自定义语言）需要理解 Tree-sitter、MCP 与 mappings。

技术分析¶

• 学习曲线：中等；基础命令友好，进阶配置（languages.toml、MCP hooks）需额外学习。
• 常见坑：动态语言边遗漏、错误排除/忽略文件配置、不同 AI 平台钩子差异导致的手动调整。
• CI 要点：需要 Python >=3.10、runner 权限、缓存配置以提高性能。

实用建议¶

1. 在分支或小仓库做试点：build + watch 检查索引输出。
2. CI 先用 report-only 模式并启用缓存与 artifact 回写。
3. 为非标语言编写并验证 languages.toml。

注意：受限容器或严格 runner 权限环境可能需要额外配置安装依赖。

总结：上手快、收益明显；通过逐步验证与配置能把误用风险降到最低。