「コードレビューの革命」code-review-graphがすごすぎる：AIがコードの"地図"を持つ時代へ

AIエージェントによるコーディング支援が普及する中で、直面する最大の壁は**「プロジェクト全体の文脈（コンテキスト）をどう効率的に伝えるか」**です。

多くのAIツールは、変更箇所の周辺ファイルを単純に読み込むか、最悪の場合はプロジェクト全体を読み込もうとして膨大なトークンを消費し、精度低下やコスト増を招いています。

この「トークン消費の暴力」を、構造的なアプローチで解決するのが code-review-graph です。

1. 核心：「変更の影響範囲（Blast Radius）」を自動特定

code-review-graphがすごすぎる最大の理由は、Tree-sitter を用いてコードベース全体の抽象構文木（AST）を解析し、関数・クラス・インポート・呼び出し関係を網羅した「ローカル知識グラフ」をSQLite上に構築する点にあります。

例えば、ある共有ライブラリの関数を変更した際、このツールは以下の情報をAIに即座に提供します：

• その関数を呼び出しているすべての箇所
• 変更によって影響を受ける可能性のある依存関係
• そのコードに関連する既存のテストケース

AIは「プロジェクト全体」を読む必要はありません。このグラフが示す**「影響を受ける最小限のファイル群」だけを読めば良いため、レビュー時のトークン消費を平均で6.8倍〜8.2倍削減**、場合によっては最大80%以上の削減を実現します。

2. インクリメンタルな自動更新

知識グラフの構築には時間がかかるイメージがありますが、code-review-graphは非常に高速です。

• 初期構築: 500ファイル規模のプロジェクトで約10秒。
• インクリメンタル更新: Gitフックやファイル保存と連動し、差分だけを再解析。2,900ファイルのモノレポでも、更新はわずか2秒以下で完了します。

開発者は「グラフを作る」という作業を意識することなく、常に最新の「地図」をAIに提供し続けることができます。

3. MCP（Model Context Protocol）による強力な統合

このツールは MCPサーバー として動作します。これが何を意味するかというと、Claude Code, Cursor, Claude Desktop などのツールから、AI自身が「自律的に」グラフをクエリできるということです。

AIエージェントは自ら以下のようなツール（MCP Tools）を使い分けます：

• get_impact_radius_tool: 変更による影響範囲の特定
• get_review_context_tool: トークン最適化されたレビュー用コンテキストの取得
• query_graph_tool: 呼び出し元や継承関係の構造的調査

4. 対応言語とエコシステム

Python, TypeScript/JavaScriptはもちろん、Go, Rust, Java, C#, Ruby, Swift, PHP, C/C++ など主要な19言語をカバー。さらに Jupyter Notebook (.ipynb) の解析にも対応しており、データサイエンス領域のコードレビューも強力に支援します。

導入方法

Python 3.10+ があれば、以下のコマンドですぐに開始できます。

pip install code-review-graph
code-review-graph install # AIプラットフォームを自動検知して設定
code-review-graph build   # 初回のグラフ構築

結論：AIとの「共通言語」としての知識グラフ

AIに「適当に読んでおいて」と頼む時代は終わりました。これからは、人間とAIが共有できる構造化された「地図」を渡し、AIが効率的かつ正確に判断できる環境を整えることが、開発効率を最大化する鍵となります。

code-review-graphは、まさにその「AI時代の開発インフラ」としての本命と言えるでしょう。

---

リポジトリはこちら: tirth8205/code-review-graph