code-review-graph执行流指南追踪项目中最关键的调用链【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graph面对大型代码库时代码评审最难的不是读懂单个函数而是找出哪些调用链真正重要。code-review-graph 是一款本地优先的代码智能图谱工具其执行流Execution Flows能力会自动检测项目中的入口点沿调用链完整追踪每条请求路径并对每条调用链做 0~1 的关键性评分帮你和 AI 助手把精力集中在最关键的链路上。一、执行流是什么一次请求的完整调用链 执行流Execution Flow 从一个入口点出发、沿 CALLS 边向前 BFS 追踪出的完整调用链。它可以是一次 HTTP 请求app.get(/login)路由处理器 → 鉴权 → 业务逻辑 → 数据库访问一条 CLI 命令main()→ 参数解析 → 任务执行一个测试用例test_*→ 被测函数入口点靠三类信号自动识别无需任何手动配置识别方式示例真正根节点没有任何入向调用边的函数框架装饰器/注解app.get、SpringGetMapping、Expressapp.get、Click 命令命名约定main、handle_*、lambda_handler、on_create等追踪细节见 code_review_graph/flows.py默认最大深度 15 层自动跳过只有单节点的平凡流结果持久化到 SQLite 的flows/flow_memberships表中查询毫秒级返回。二、关键性评分如何锁定最关键的调用链 每条执行流都会得到一个 0.0~1.0 的关键性分数compute_criticality由五个维度加权维度权重含义文件跨度30%调用链跨越的文件越多影响面越大安全敏感度25%链路中命中安全关键词auth、token、password…的函数占比外部调用20%依赖图外第三方/系统调用的数量测试缺口15%链路中缺少测试覆盖的比例调用深度10%链路越长、复杂度越高直白理解一条横跨 5 个文件、涉及鉴权逻辑、外部依赖多、还没有测试的调用链分数会显著高于一条只在本文件内的工具函数链。按分数降序排列你看到的就是项目中最值得先审、先测、先优化的调用链。三、三种使用方式1. MCP 工具AI 助手首选安装后 AI 助手即可直接调用三个执行流工具参数详见 docs/COMMANDS.mdlist_flows_tool列出全部执行流默认按关键性降序get_flow_tool查看某条流的完整步骤函数名、文件、行号可附源码片段get_affected_flows_tool给定改动文件秒级找出受影响的调用链2. CLI 命令pip install code-review-graph code-review-graph install # 自动配置所有已检测到的 AI 平台 code-review-graph build # 构建图谱含执行流分析 code-review-graph detect-changes --brief # 查看当前改动的受影响调用链500 文件的项目首次构建约 10 秒日常由 watch 模式/hooks 增量维护改 2 个文件约 2.5 秒即可重新追踪受影响的流3. 排障实战工作流官方 skill 模板 skills/debug-issue/SKILL.md 给出了图驱动排障的五步法语义搜索定位相关代码 →query_graph_tool用callers_of/callees_of追踪调用链 →get_flow_tool查看可疑区域的完整执行路径 →detect_changes_tool检查近期改动 → 影响面确认。这套流程同样适合新人理解项目主链路。四、为什么值得用Token 节省是实打实的 与其把整个代码库丢给模型不如让图谱返回答案形状的切片。以本仓库自身的实测为例208,821 个源码 token 的问题空间每个问题只需约 3,190 token 的图谱响应节省 68 倍仓库还内置了可复现的基准测试impact accuracy、token efficiency 等结果见 evaluate/results/方法见 docs/REPRODUCING.md。五、参考资料执行流核心实现入口检测 / BFS 追踪 / 评分code_review_graph/flows.pyMCP 工具层list_flows / get_flowcode_review_graph/tools/flows_tools.py全部命令与工具参数docs/COMMANDS.md执行流功能测试tests/test_flows.py更多能力社区、评审、架构概览docs/FEATURES.md【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graph创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 code-review-graph执行流指南：追踪项目中最关键的调用链
code-review-graph执行流指南追踪项目中最关键的调用链【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graph面对大型代码库时代码评审最难的不是读懂单个函数而是找出哪些调用链真正重要。code-review-graph 是一款本地优先的代码智能图谱工具其执行流Execution Flows能力会自动检测项目中的入口点沿调用链完整追踪每条请求路径并对每条调用链做 0~1 的关键性评分帮你和 AI 助手把精力集中在最关键的链路上。一、执行流是什么一次请求的完整调用链 执行流Execution Flow 从一个入口点出发、沿 CALLS 边向前 BFS 追踪出的完整调用链。它可以是一次 HTTP 请求app.get(/login)路由处理器 → 鉴权 → 业务逻辑 → 数据库访问一条 CLI 命令main()→ 参数解析 → 任务执行一个测试用例test_*→ 被测函数入口点靠三类信号自动识别无需任何手动配置识别方式示例真正根节点没有任何入向调用边的函数框架装饰器/注解app.get、SpringGetMapping、Expressapp.get、Click 命令命名约定main、handle_*、lambda_handler、on_create等追踪细节见 code_review_graph/flows.py默认最大深度 15 层自动跳过只有单节点的平凡流结果持久化到 SQLite 的flows/flow_memberships表中查询毫秒级返回。二、关键性评分如何锁定最关键的调用链 每条执行流都会得到一个 0.0~1.0 的关键性分数compute_criticality由五个维度加权维度权重含义文件跨度30%调用链跨越的文件越多影响面越大安全敏感度25%链路中命中安全关键词auth、token、password…的函数占比外部调用20%依赖图外第三方/系统调用的数量测试缺口15%链路中缺少测试覆盖的比例调用深度10%链路越长、复杂度越高直白理解一条横跨 5 个文件、涉及鉴权逻辑、外部依赖多、还没有测试的调用链分数会显著高于一条只在本文件内的工具函数链。按分数降序排列你看到的就是项目中最值得先审、先测、先优化的调用链。三、三种使用方式1. MCP 工具AI 助手首选安装后 AI 助手即可直接调用三个执行流工具参数详见 docs/COMMANDS.mdlist_flows_tool列出全部执行流默认按关键性降序get_flow_tool查看某条流的完整步骤函数名、文件、行号可附源码片段get_affected_flows_tool给定改动文件秒级找出受影响的调用链2. CLI 命令pip install code-review-graph code-review-graph install # 自动配置所有已检测到的 AI 平台 code-review-graph build # 构建图谱含执行流分析 code-review-graph detect-changes --brief # 查看当前改动的受影响调用链500 文件的项目首次构建约 10 秒日常由 watch 模式/hooks 增量维护改 2 个文件约 2.5 秒即可重新追踪受影响的流3. 排障实战工作流官方 skill 模板 skills/debug-issue/SKILL.md 给出了图驱动排障的五步法语义搜索定位相关代码 →query_graph_tool用callers_of/callees_of追踪调用链 →get_flow_tool查看可疑区域的完整执行路径 →detect_changes_tool检查近期改动 → 影响面确认。这套流程同样适合新人理解项目主链路。四、为什么值得用Token 节省是实打实的 与其把整个代码库丢给模型不如让图谱返回答案形状的切片。以本仓库自身的实测为例208,821 个源码 token 的问题空间每个问题只需约 3,190 token 的图谱响应节省 68 倍仓库还内置了可复现的基准测试impact accuracy、token efficiency 等结果见 evaluate/results/方法见 docs/REPRODUCING.md。五、参考资料执行流核心实现入口检测 / BFS 追踪 / 评分code_review_graph/flows.pyMCP 工具层list_flows / get_flowcode_review_graph/tools/flows_tools.py全部命令与工具参数docs/COMMANDS.md执行流功能测试tests/test_flows.py更多能力社区、评审、架构概览docs/FEATURES.md【免费下载链接】code-review-graphLocal-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.项目地址: https://gitcode.com/GitHub_Trending/co/code-review-graph创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考