YOHO AI

标签： GraphRAG

  • code-review-graph：让 AI 编码助手只读「该读的代码」，省下 82 倍 Token

    code-review-graph：让 AI 编码助手只读「该读的代码」，省下 82 倍 Token

    code-review-graph：Token 缩减对比

    code-review-graph（简称 CRG）是一款本地优先（local-first）的代码智能图谱工具：它用 Tree-sitter 把整个代码库解析成结构化的函数 / 类 / 调用关系图谱，再通过 MCP 协议喂给 Claude Code、Cursor、Codex 等 AI 编码助手——让它们在做代码评审、改 Bug、理解大型仓库时，只读取真正相关的文件，而不是把整个仓库灌进上下文里烧 Token。

    一、安装要求和过程

    环境要求：

    • Python 3.10+；
    • 推荐安装 uv（可选，MCP 配置会自动优先用 uvx 调用）；
    • 支持 Git / SVN 仓库；Windows / macOS / Linux 全平台可用。

    三步极速安装：

    pip install code-review-graph          # 或：pipx install code-review-graph
code-review-graph install             # 自动检测并配置所有已安装的 AI 编码平台
code-review-graph build               # 解析代码库，构建结构图谱

    一行命令搞定：install 会自动识别你装了哪些 AI 编码工具（Codex、Claude Code、Cursor、Windsurf、Zed、Continue、CodeBuddy Code、Gemini CLI、Qwen、Kiro、GitHub Copilot 等 14+ 平台），为它们写入正确的 MCP 配置，并注入”图谱感知”的指令。重启编辑器即可生效。也可以只针对单个平台：code-review-graph install --platform cursor。

    一次安装，适配所有平台

    二、核心功能

    1. 增量更新 < 2 秒
    文件保存或提交时通过 hook / watch 模式触发增量解析，2900 文件的项目重新索引不到 2 秒，几乎无感。

    从仓库到最小评审集的处理管线

    2. 爆炸半径（Blast-radius）分析
    当某个文件被改动，图谱会追踪所有”调用方、依赖方、相关测试”，算出这次改动的影响半径。AI 只读这些”受影响”的文件，而不是全仓扫描。

    改动 login() 后影响半径的传递过程

    3. 本地优先 + 零遥测
    图谱以 SQLite 存在本地 .code-review-graph/ 目录，核心存储不依赖任何外部数据库或云服务；可选的向量嵌入（sentence-transformers / Gemini / OpenAI 兼容端点）也完全本地可控，默认不开云。

    AI 助手如何通过 MCP 使用图谱

    4. 30 个 MCP 工具 + 5 套工作流模板
    涵盖最小上下文、影响半径、架构总览、知识缺口、重构建议等，图谱构建完成后 AI 助手自动调用；内置 review_changes / architecture_map / debug_issue / onboard_developer / pre_merge_check 五套提示词模板。

    5. CI 风险评分 PR 审查
    可作为 GitHub Action 在每次 PR 贴出带风险评分的审查评论（原地更新），并支持 fail-on-risk 合并门禁，全程在 CI runner 本地完成，源码不出域。

    三、典型使用场景

    ① 日常代码评审
    在 Claude Code / Cursor 里问”评审这次改动”，AI 先查图谱拿到最小必要文件集合。实测 fastapi 仓库从 95 万 token 降到 2169 token（约 528 倍），评审又快又准。

    6 个真实仓库的基准测试

    ② 啃大型单体仓库（monorepo）
    CRG 自身仓库 20 万+ 源码 token 经图谱漏斗后只回传约 2495 token（约 93 倍），在巨型仓库里把噪音一刀切断——这正是 Token 浪费最痛的地方。

    ③ PR 自动化审查 + 新人 onboarding
    GitHub Action 在每次 push 原地更新带风险评分的 sticky 评论；onboard_developer MCP 工作流利用社区结构帮新人快速摸清架构边界与热点模块。

    四、推荐理由

    我（以及不少 AI 编码重度用户）最大的痛点就是：让 Agent 去”看一眼这个改动影响哪些地方”，它往往会把大半个仓库重新读一遍——Token 烧得飞起，还容易跑偏。CRG 的思路很妙：它不跟 LSP / RAG 抢饭碗，而是补上”结构化的多跳关系”这一层——调用方、依赖方、测试、影响半径，全用 AST 静态分析算出来，确定性、可复现、零云端依赖。

    官方在 6 个真实仓库上的基准测试显示，每问一次的中位数约 82 倍 token 缩减（最大 528 倍），增量更新几乎无感。对于一个”想让 AI 编码助手更省、更准、更本地”的团队来说，这是目前最省心的一站式接入方案——pip install + install 两条命令，所有平台一次配齐。

    五、下载地址

  • Graphify：把整个代码库变成 AI 可推理的知识图谱

    Graphify：把整个代码库变成 AI 可推理的知识图谱

    📌 项目简介

    Graphify 是一个开源的 AI 编程助手技能（Skill），用一条命令把你手头的代码库、SQL schema、论文 PDF、文档、截图甚至白板照片，全部解析成一张可查询的知识图谱。你的 AI 助手（Claude Code / Cursor / Codex / Gemini CLI / Aider 等 17 种）不再靠 grep 或模糊检索”猜”答案，而是沿着图谱里的真实路径推理——而且每条关系都可溯源、可审计。

    💻 安装要求和过程

    环境要求

    • Python 3.10+（解析与存储完全本地运行，无需任何服务器）
    • 任意一个支持的 AI 编程助手：Claude Code、Cursor、GitHub Copilot、OpenAI Codex、Gemini CLI、Aider 等（共 17 种），或任意 MCP 客户端
    • 联网（仅用于把文件送给你自己配置的模型，如 Claude / Ollama；代码本身不出本机）

    快速安装

    PyPI 上的包名暂时叫 graphifyy（两个 y），但命令与技能名仍然是 graphify：

    pip install graphifyy
graphify install        # 把技能注入你的 AI 助手

    然后在任意目录下打开你的 AI 助手，输入：

    /graphify .            # 对当前目录建图，代码 / 笔记 / 论文通吃

    Windows 若提示找不到命令，把 %APPDATA%\Python\Python3xx\Scripts 加入 PATH，或直接用 pipx install graphifyy；macOS 若报 externally-managed 错误同样改用 pipx 即可。

    ✨ 核心功能

    1. 全模态建图：万物皆可成节点

    支持代码（Python / TS / Go / Rust / Java / C++ 等 36 种 tree-sitter 语法）、文档（md / txt / rst）、论文 PDF，以及截图 / 流程图 / 白板照片 / 多语言文字图片（借助 Claude 视觉能力）。App 代码、数据库 schema、基础设施被统一进同一张图。

    2. 本地优先、零云端、零遥测

    解析在本地跑，图谱就是磁盘上的一个文件（graph.json），没有任何服务器在环、没有任何遥测上报。代码永远不会离开你的机器——对重视隐私和合规的团队尤其关键。

    3. 可审计的溯源：每条边都标明”怎么知道的”

    图谱里每一条关系都被打上 EXTRACTED（源码里实锤）、INFERRED（由结构与命名推理，通常靠谱但值得复核）、AMBIGUOUS（证据指向多于一方）三种标签。AI 回答时引用的是它走过的真实路径，而不是”凭感觉”。

    4. 17 个 AI 助手 + 自带 MCP Server

    一个技能可装进 17 种助手，并额外提供 MCP server：既可 stdio 单机服务，也能 HTTP 给整个团队共享。还附带 graphify prs 终端 PR 看板（CI 状态 / AI 分诊 / 合并冲突风险）。

    5. 自动同步：图谱跟着代码长

    --watch 后台实时重建（代码保存即时、文档 / 图片变化提醒你跑 --update）；graphify hook install 还能装一个 git post-commit 钩子，每次提交后自动重建图谱，多 Agent 并行写码时图谱始终保持最新。

    Graphify 知识图谱可视化
    Graphify 将代码库映射为可交互知识图谱：节点=符号，颜色=自动识别的模块社区，大节点=God Node

    🎯 典型使用场景

    场景一：接手一个陌生代码库

    不用硬读 100 个文件——直接查 “god nodes”（连接度最高的符号，改动影响面最大），几分钟摸清架构与模块边界，新成员上手速度拉满。

    场景二：团队共享”谁负责什么”

    把 graph.json 提交进仓库，或用 graphify.serve 走 HTTP。新人问 “谁负责 billing？”，得到的是穿过真实代码的两条跳路径，而不是一周前的 Slack 聊天记录。

    场景三：给 AI 编程助手装”记忆”，省下海量 token

    官方基准：在 Karpathy 仓库 + 论文 + 图片的混合语料上，相比逐文件读取原始文件，每次查询 token 减少 71.5 倍；社区实测在 49.6 万 token 的代码库上省 79 倍，且零向量数据库。NOTE / WHY / HACK 注释还会变成可追查的图谱节点。

    💡 推荐理由

    我最早是被”用图谱替代 grep”这个点打动的。实际用下来，最戳我的是可审计——现在太多 RAG / 向量库方案给的是个不透明的相似度分数，你根本不知道 AI 为什么这么答；Graphify 把每条边都标了出处，你能直接点开源码第几行去验证。再加上纯本地、MIT、零账号零卡片，安全感拉满。它不算”重”的工具，装一个 skill、跑一条命令，就能让手头的 AI 编程助手从”猜”变成”走查”。如果你也受够了助手读不全代码、答非所问，值得一试。

    🔗 下载地址