Вердикт AI-ReadyTest now** на одном большом AI-Ready репозитории и сравнить с обычным `grep`, symbol search и текущей работой Codex.
https://github.com/tirth8205/code-review-graph

Что это: local-first структурный граф репозитория, через который coding agent получает только релевантные symbols, зависимости и изменённые области вместо повторного чтения проекта целиком.

Бизнес-проблема: на больших codebases агенты тратят токены на повторное исследование файлов и часто пропускают архитектурно связанные изменения.

Практическая польза: инструмент строит карту кода через Tree-sitter, обновляет её инкрементально и предоставляет через MCP. Есть CLI, VS Code extension, GitHub Action, graph-aware hooks и поддержка Codex, Claude Code, Cursor, Gemini CLI, Copilot, Qwen и других клиентов.

Почему интересно сейчас: проект остаётся в GitHub Trending и выпустил v2.3.7 18 июля 2026 года. Суточный прирост умеренный, около 74 stars, но release activity и tooling выглядят содержательнее обычного вирусного README.

GitHub health: около 19,8 тыс. stars, 2,1 тыс. forks, 70 issues, 4 PR, 713 commits, 28 releases, MIT. Основной стек Python 94% + TypeScript. Есть tests, security policy, benchmarks с инструкциями по воспроизведению, changelog и документация на нескольких языках. Точное число contributors не отобразилось.

Technical notes:

pip install code-review-graph
code-review-graph install --platform codex
code-review-graph build

Semantic-режим может использовать OpenAI embeddings, Gemini или self-hosted Qwen embeddings через vLLM/LocalAI. В облако отправляются identifiers, signatures и ограниченные summaries, а не полные function bodies, согласно документации проекта.

AI-Ready relevance: internal component / Codebase Intelligence & Audit service.

Риски: собственные заявления о сокращении контекста в 38–528 раз требуют воспроизведения; автоматически внедряемые MCP/config/agent instructions надо просмотреть до установки; semantic edges могут устаревать или ошибаться.

Вердикт: Test now на одном большом AI-Ready репозитории и сравнить с обычным grep, symbol search и текущей работой Codex.

Ключевые риски

  • ** собственные заявления о сокращении контекста в 38–528 раз требуют воспроизведения; автоматически внедряемые MCP/config/agent instructions надо просмотреть до установки; semantic edges могут устаревать или ошибаться.

Разберите эту страницу со своей LLM

Скопируйте контекст страницы в ChatGPT, Claude, Gemini или другую LLM и попросите применить эту схему к вашему бизнесу.

Можно спросить:

  • Что именно сообщает авторский материал о code-review-graph?
  • Как применить этот сигнал в AI-Ready без выхода за его границы?
Открыть каталог