前言
当 Claude Code 探索代码库时，它会生成探索代理，这些代理使用 grep、glob 和 Read 扫描文件 — 每次工具调用都会消耗 tokens。
为了提高效率，节省tokens。这里引入两个开源项目，CodeGraph和code-review-graph。
CodeGraph 为这些代理提供预索引的知识图谱 — 符号关系、调用图和代码结构。代理可以立即查询图谱，而无需扫描文件。
code-review-graph通过构建代码库的持久化映射，让 Claude 只读取关键内容——代码审查时可减少 6.8 倍 tokens 用量，日常编码任务中最高可减少 49 倍。
两个项目有什么异同点
简单来说，CodeGraph 像一张“活地图”，主要目标是引导AI Agent在项目中快速找到代码路径；而 code-review-graph 更像一位“严格的审查员”，专注于评估代码变更带来的影响。
| 对比维度 | CodeGraph | code-review-graph |
| 核心目标 | 为Coding Agent提供通用代码探索与导航的“项目地图”，减少盲目搜索，提升问答效率。 | 为代码审查场景提供变更影响分析，精准定位需审阅的文件，节省审查时花费的Token。 |
| 主要场景 | 理解项目架构、查找函数定义与调用关系、回答代码逻辑问题。 | PR Review、评估特定Commit或文件修改的“爆炸半径”、合入前检查。 |
| 核心功能 | 代码结构索引、符号关系查询、智能上下文构建、文件监听与自动更新。 | 变更影响（Blast Radius）分析、风险评分审查、语义搜索、架构热点/桥接点检测。 |
| MCP工具数 | 相对精简，专注于图谱查询和上下文提供。 | 约28个（包含图构建、影响分析、审查、重构等多类工具）。 |
| 性能侧重点 | 强调省时省Token：平均减少59%的Token消耗，加速49%。 | 强调影响召回率：变更影响分析的召回率达到100%，确保不漏看任何受影响的文件。 |
| 技术实现 | 使用 Tree-sitter 解析代码为SQLite图谱，支持19+种语言和14种框架路由。 | 同样使用 Tree-sitter 解析为SQLite图谱，支持24种语言及Jupyter Notebook，并提供可选的向量嵌入支持语义搜索。 |
| 开源与许可 | 开源，Apache-2.0 许可证。 | 开源，MIT 许可证。 |
| 技术栈与安装 | 主要通过 npx 安装，自带运行时，不强制依赖Node.js。 | 主要通过 pip 安装，需要 Python 3.10+ 环境。 |
许多开发者会同时使用它们——日常开发用CodeGraph来快速导航和理解代码；在准备提交PR、进行代码审查时，再让code-review-graph介入评估风险。它们一个主攻日常探索，一个把关代码质量，并不冲突。
安装与使用
项目仓库
CodeGraph：https://github.com/colbymchenry/codegraph
code-review-graph：https://github.com/tirth8205/code-review-graph
日常开发的流程
这个流程可以自然地分成三个阶段：准备与安装、日常编码导航（CodeGraph）、代码提交与审查（code-review-graph）。
📝 阶段一：准备工作与安装
在开始之前，需要为你的项目装上这两个“外挂”。安装过程都非常简单，通常几分钟就能搞定。
安装 CodeGraph
核心命令：
# 用Node安装 npm i -g @colbymchenry/codegraph # 初始化项目 cd your-project codegraph init -i
操作：它会自动识别你当前的项目类型，并生成一个本地的代码知识图谱索引。这一步是让AI助手理解你项目结构的基础。
安装 code-review-graph
核心命令：
# 安装工具 pip install code-review-graph # 自动配置AI工具 code-review-graph install # 为当前项目构建图谱 code-review-graph build
操作：这个工具会为你的AI编程助手（如Cursor、Claude Code等）自动配置好MCP服务。build 命令会首次解析你的整个代码库，生成用于分析变更影响的结构化图谱。
重启你的AI助手
操作：完成以上配置后，需要重启你的IDE或AI助手终端，让新的MCP配置生效。
一句话总结：安装就是“装程序→自动配置→建索引→重启AI”四步走。
🧭 阶段二：日常编码导航（使用 CodeGraph）
在编写新功能或修改代码的过程中，CodeGraph 的主要作用是帮你快速理解现有代码，避免AI助手“迷路”。
场景：当你接手一个新模块，或在修改一段复杂逻辑前，需要快速了解“这个函数是干嘛的？”、“谁调用了这个类？”、“这个模块的入口在哪里？”。
操作方式：你不需要手动执行CLI命令。配置完成后，你可以在与AI助手的对话中，直接用自然语言提问。CodeGraph 提供的MCP工具会被AI自动调用。
具体例子：
提问：“帮我梳理一下从 OrderController 到 PaymentService 的完整调用链路。”
AI将自动调用工具：它可能会调用 codegraph_context 来快速获取相关函数和上下文的整体视图，或使用 codegraph_trace 来追踪完整的调用路径。它会直接给你结论和相关的代码片段，而不是去盲目地搜索文件。
一句话总结：像和老同事对话一样问AI问题，CodeGraph 在后台帮它快速“查地图”。
🛡️ 阶段三：代码提交与审查（使用 code-review-graph）
当你完成了一批代码修改，准备提交或发起Pull Request时，就是 code-review-graph 登场的时候了。它专注于评估风险，确保你的修改不会引发意想不到的问题。
场景：你在本地已经做了几次提交，想看看这些改动的影响范围；或者你正准备发起一个PR，想先做一次全面的自检。
操作方式：你依然通过AI助手对话来驱动，但这次使用专用的命令或提出审查类的问题。code-review-graph 的核心能力是“影响半径分析”（Blast Radius Analysis）。
具体例子：
使用斜杠命令：在Claude Code中，你可以直接使用 /code-review-graph:review-delta 来审查自上次提交以来的所有变更。AI会执行以下流程：
1. 自动更新图谱，同步你的最新改动。
2. 找出所有被你修改过的文件。
3. 追踪这些文件里的函数、类被哪些其他代码调用（调用者），又依赖了哪些代码（被调用者）。
4. 找出所有相关的测试文件。
5. 生成一份简洁的审查上下文，只包含相关文件，大大节省Token。
自然语言提问：你也可以直接问：“我刚刚修改了 user/auth.py，请帮我分析一下这个变更的‘爆炸半径’，看看会影响哪些功能，有没有遗漏的测试需要补上？” AI会调用 get_impact_radius_tool 等工具来完成分析。
一句话总结：提交代码前，让AI给你这次的改动“把把关”，只读该读的文件，快速定位风险。
总的来说，这两个工具一个主内（日常理解），一个主外（变更守护），流程衔接起来非常自然。实际操作中，你可能感觉不到工具切换的痕迹，它们就像是赋予了你AI助手的两种新超能力，让开发过程更流畅、更安心。