Code-Review-Graph: AI Coding Tools için Local-First Kod Zeka Grafiği (23,686 GitHub Stars)

AI kodlama araçları her code review'da codebase'inizin büyük bölümlerini yeniden okumak zorunda kalıyor. Bu, gereksiz token tüketimi ve yavaş review süreçleri demek. Code-review-graph bu sorunu çözüyor: Tree-sitter ile kodunuzu yapısal bir haritaya dönüştürüyor, değişiklikleri incremental olarak takip ediyor ve AI asistanınıza sadece gerekli context'i MCP üzerinden veriyor.

Sonuç? Median 82x token azaltması (38x-528x arası), sub-2 second incremental updates ve lokal-first mimari. Bugün 1,833 yeni yıldızla GitHub Trending'in zirvesinde.

Problem: AI Coding Tools Neden Bu Kadar Token Yakıyor?

Claude Code, Cursor, Copilot veya Codex gibi AI coding tools, code review yaptığında genellikle naive bir yaklaşım kullanır: "tüm codebase'i oku ve relevant olanları bul". Bu yaklaşım:

• Token israfı: 500 dosyalık bir projede her review'da yüz binlerce token okunur
• Yavaşlık: Büyük monorepo'larda context window limitlerine takılır
• Gereksiz okumalar: Değişiklikle ilgisi olmayan dosyalar da context'e dahil edilir
• Tekrar: Her soruda aynı dosyaları yeniden okumak

Code-review-graph'ın çözümü: Yapısal kod grafiği. Codebase'inizi AST (Abstract Syntax Tree) olarak parse edip, fonksiyonlar, sınıflar, importlar ve call ilişkileri arasında bir graph oluşturuyor. Bir dosya değiştiğinde, graph o dosyanın "blast radius"ını hesaplıyor — yani o değişikliğin hangi fonksiyonları, sınıfları ve testleri etkileyebileceğini tespit ediyor.

Mimari: Tree-sitter → AST → Graph → MCP

1. Tree-sitter ile Parsing

Code-review-graph, Tree-sitter kullanarak kodunuzu AST'ye çevirir. Tree-sitter, incremental parsing yapan, hata toleranslı ve 100+ dil desteği olan bir parser generator.

# Basitleştirilmiş parsing akışı
def parse_file(filepath):
    tree = tree_sitter.parse(filepath)
    for node in tree.root_node.children:
        if node.type in FUNCTION_NODE_TYPES:
            graph.add_node(extract_function(node))
        elif node.type in CLASS_NODE_TYPES:
            graph.add_node(extract_class(node))
        elif node.type in IMPORT_NODE_TYPES:
            graph.add_edge(extract_import(node))

2. Graph Yapısı

Parse edilen kod, şu node ve edge türleriyle bir graph'a dönüştürülür:

Nodes:

• Functions (fonksiyonlar, metotlar)
• Classes (sınıflar, interfaceler)
• Imports (import statement'ları)
• Call sites (fonksiyon çağrıları)
• Tests (test fonksiyonları)

Edges:

• Calls (A fonksiyonu B'yi çağırıyor)
• Inheritance (A sınıfı B'den türemiş)
• Imports (A dosyası B'yi import ediyor)
• Test coverage (A testi B fonksiyonunu test ediyor)

3. Blast Radius Analizi

Bir dosya değiştiğinde, graph traversal ile o dosyanın "blast radius"ı hesaplanır:

changed_file.py
  ↓ (import edges)
  caller_function()
  ↓ (call edges)
  dependent_class.method()
  ↓ (test edges)
  test_dependent_behavior()

Bu traversal, BFS (Breadth-First Search) veya DFS (Depth-First Search) ile yapılır ve configurable depth/token budget ile sınırlandırılabilir.

4. MCP (Model Context Protocol) Integration

Code-review-graph, MCP server olarak çalışır. Bu, Claude Code, Cursor, Cline, Copilot gibi AI araçlarının graph'ı doğrudan query edebileceği anlamına gelir:

{
  "tool": "get_review_context",
  "params": {
    "commit_sha": "abc123",
    "max_tokens": 3500
  }
}

MCP server, değişen dosyaları tespit eder, blast radius'ı hesaplar ve sadece gerekli dosyaları context olarak döner.

82x Token Azaltması: Benchmark Sonuçları

Code-review-graph'ın iddiası sadece marketing değil — 6 gerçek open-source repo üzerinde benchmark yapılmış:

Repo	Naive Corpus Tokens	Graph Query Tokens	Azaltma
fastapi	951,071	2,169	528.4x
code-review-graph	208,821	2,495	93.0x
gin	166,868	1,990	91.8x
flask	125,022	1,986	71.4x
express	135,955	3,465	40.6x
httpx	89,492	2,438	38.0x

Median azaltma: ~82x (range: 38x-528x)

Önemli Not: 528x Maximum, Median Değil

Sıkça atıfta bulunulan 528x, fastapi için best-case scenario (en büyük corpus). Tipik sonuç 82x. Bu dürüstlük, projenin güvenilirliğini artırıyor.

Agent Baseline Karşılaştırması

Naive corpus baseline, hiçbir real agent'ın ödemediği bir upper bound. Competent bir agent grep ile identifier'ları bulur ve sadece en relevant dosyaları okur. Code-review-graph, bu realistic baseline'dan bile daha iyi performans gösteriyor.

Incremental Updates: Sub-2 Second Re-indexing

Code-review-graph'ın en güçlü özelliklerinden biri incremental updates. İlk build'den sonra, graph sadece değişen dosyaları re-parse eder:

# İlk build (500 dosya ~10 saniye)
code-review-graph build

# Incremental update (değişen dosyalar ~2 saniye)
code-review-graph update

Nasıl Çalışıyor?

1. SHA-256 hash checks: Her dosyanın hash'i saklanır
2. Diff detection: Sadece hash'i değişen dosyalar tespit edilir
3. Selective re-parsing: Sadece değişen dosyalar re-parse edilir
4. Graph update: Değişen node'lar ve edge'ler güncellenir
5. Dependent tracking: Değişen dosyaların dependent'ları tespit edilir

2,900 dosyalık bir proje bile 2 saniyeden kısa sürede re-index edilebiliyor.

35+ Dil Desteği

Code-review-graph, Tree-sitter'ın geniş dil desteğini miras alıyor:

Ana diller:

• Python, JavaScript/TypeScript/TSX, Go, Rust, Java
• C/C++, C#, VB.NET, Ruby, Kotlin, Swift
• PHP, Scala, Solidity, Dart, R, Perl
• Lua/Luau, Objective-C, Shell scripts, Elixir
• Zig, PowerShell, Julia, ReScript, GDScript
• Nix, Verilog/SystemVerilog, SQL

Özel formatlar:

• Terraform/OpenTofu (.tf)
• Ansible playbooks/roles/tasks
• Vue/Svelte SFCs
• Astro files
• Jupyter/Databricks notebooks (.ipynb)
• Perl XS (.xs)

Custom Language Support

Eğer repo'nuz henüz desteklenmeyen bir dil kullanıyorsa, .code-review-graph/languages.toml ile custom language ekleyebilirsiniz:

[languages.erlang]
extensions = [".erl"]
grammar = "erlang"
function_node_types = ["function_clause"]
class_node_types = ["record_decl"]
import_node_types = ["import_attribute"]
call_node_types = ["call"]

No fork, no code changes — sadece config dosyası.

Framework-Aware Parsing: PHP/Laravel Örneği

Code-review-graph, sadece syntax'ı değil, framework-specific pattern'leri de anlıyor. PHP projeler için:

• Composer PSR-4 resolution: Repository-bounded import resolution
• Blade template references: Laravel Blade template'larının referansları
• Laravel Route-to-controller: Route definitions'dan controller'lara semantic edges
• Eloquent relationships: Model inheritance ve relationship edges

Bu, generic AST parsing'den çok daha zengin bir graph oluşturuyor.

GitHub Action: CI/CD Integration

Code-review-graph, composite GitHub Action olarak da çalışıyor. Her PR'da otomatik olarak:

1. Graph build edilir (cache'lenir)
2. Değişiklikler analiz edilir
3. Risk-scored review comment post edilir
4. Her push'ta comment update edilir (sticky comment)

# .github/workflows/code-review-graph.yml
on:
  pull_request:

permissions:
  contents: read
  pull-requests: write

jobs:
  review:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v7
      - uses: tirth8205/code-review-graph@v2.3.6
        with:
          github-token: ${{ secrets.GITHUB_TOKEN }}

Fail-on-risk: Optional merge gate — high-risk değişiklikler merge'i block edebilir.

Installation ve Usage

Quick Start

pip install code-review-graph
code-review-graph install  # Auto-detects Claude Code, Cursor, Copilot, vb.
code-review-graph build    # Parse codebase

install komutu:

• Hangi AI coding tools'un kurulu olduğunu tespit eder
• Her biri için doğru MCP config'ini yazar
• Platform-native hooks/skills kurar
• Graph-aware instructions'ı platform rules'a inject eder

Platform-Specific Installation

code-review-graph install --platform codex
code-review-graph install --platform cursor
code-review-graph install --platform claude-code
code-review-graph install --platform gemini-cli
code-review-graph install --platform kiro
code-review-graph install --platform copilot
code-review-graph install --platform copilot-cli
code-review-graph install --platform codebuddy

Uninstall

code-review-graph uninstall --dry-run  # Preview
code-review-graph uninstall            # Preview + confirmation
code-review-graph uninstall --yes      # No prompt
code-review-graph uninstall --all-repos

Watch Mode

code-review-graph watch  # Auto-update on file changes

File save'lerde ve commit hook'larda graph otomatik olarak güncellenir.

Advanced Features

Impact Accuracy: 0.71 F1 Score

Blast-radius analysis, graph-derived ground truth'a karşı 0.71 average F1 score elde ediyor:

Repo	Commits	Avg F1	Avg Precision	Recall
httpx	2	0.864	0.786	1.0
fastapi	2	0.834	0.750	1.0
code-review-graph	2	0.734	0.584	1.0
express	2	0.667	0.500	1.0
flask	2	0.628	0.481	1.0
gin	3	0.609	0.439	1.0

Not: Recall 1.0, circular upper bound (ground truth, graph'ın kendisinden türetilmiş). Honest co-change mode (git history'den bağımsız evidence) da ölçülüyor ama henüz canonical stats'a eklenmemiş.

Semantic Search

Optional vector embeddings:

• sentence-transformers
• Google Gemini
• MiniMax
• Any OpenAI-compatible endpoint (Azure, new-api, LiteLLM, vLLM, LocalAI)

Interactive Visualization

code-review-graph visualize

D3.js force-directed graph ile:

• Search
• Community legend toggles
• Degree-scaled nodes

Export formats:

• GraphML (Gephi/yEd)
• Neo4j Cypher
• Obsidian vault with wikilinks
• SVG static graph
• JSON

Hub & Bridge Detection

Graph analysis ile:

• Hubs: En çok bağlantılı node'lar (betweenness centrality)
• Bridges: Architectural chokepoints
• Surprise scoring: Unexpected coupling (cross-community, cross-language, peripheral-to-hub edges)

Knowledge Gap Analysis

• Isolated nodes
• Untested hotspots
• Thin communities
• Structural weaknesses

Execution Flows

Entry point'lardan call chain'leri trace eder, weighted criticality'ye göre sıralar.

Community Detection

Leiden algorithm ile related code cluster'ları. Resolution scaling ile büyük graph'lar için optimize edilmiş.

Oversized communities (>25% of graph) otomatik olarak recursive split edilir.

Memory Loop

Q&A results'ı markdown olarak persist eder, graph query'lerden büyür.

Multi-Repo Registry

Birden fazla repo register edip, hepsinde cross-search yapabilirsiniz.

Multi-Repo Daemon

crg-daemon  # Watches multiple repos with health checks and auto-restart

Performance Benchmarks

Build Performance

Repo	Files	Nodes	Edges	Flow Detection	Search Latency
express	141	1,910	17,553	106ms	0.7ms
fastapi	1,122	6,285	27,117	128ms	1.5ms
flask	83	1,446	7,974	95ms	0.7ms
gin	99	1,286	16,762	111ms	0.5ms
httpx	60	1,253	7,896	96ms	0.4ms

500 dosyalık bir proje için ilk build ~10 saniye. Incremental updates <2 saniye.

Limitations ve Trade-offs

1. Small Single-File Changes

Trivial edits için graph context, naive file read'den daha fazla olabilir. Overhead, structural metadata'dan geliyor.

2. Search Quality (MRR 0.35)

Keyword search, çoğu query için top-4'te doğru sonucu buluyor ama ranking iyileştirme bekliyor. Express queries, module-pattern naming yüzünden 0 hits döndürebiliyor.

3. Flow Detection (33% Recall)

Framework ve conventional entry patterns, Python ve PHP/Laravel için en güçlü. JavaScript ve Go flow detection geliştirilmeli.

4. Precision vs Recall Trade-off

Impact analysis deliberately conservative. Large dependency graph'larda bazı false positive'lar olabilir — ama miss etmekten iyidir.

Local-First ve Privacy

Code-review-graph tamamen local çalışır:

• SQLite file in .code-review-graph/
• No external database
• No cloud service
• Source code hiçbir external service'e gönderilmez

GDPR/HIPAA compliance için ideal.

Comparison: Diğer Code Intelligence Tools

Feature	Code-Review-Graph	GitHub Copilot	Cursor	Sourcegraph
Local-first	✅	❌	❌	❌
MCP support	✅	✅	✅	❌
Blast radius	✅	❌	❌	Partial
Incremental updates	✅	N/A	N/A	✅
Token optimization	82x	N/A	N/A	N/A
Self-hosted	✅	❌	❌	✅
Open source	✅ (MIT)	❌	❌	✅

Use Cases

1. Large Monorepo Reviews

27,700+ dosyalık bir monorepo'da, graph sadece ~15 dosyayı context'e dahil eder. 27,685 dosya exclude edilir.

2. AI Agent Context Optimization

Claude Code, Cursor veya Copilot ile çalışırken, her query'de yüz binlerce token yerine sadece 2,000-3,500 token context alırsınız.

3. CI/CD Code Review

GitHub Action ile her PR'da otomatik risk-scored review. Merge gate olarak kullanılabilir.

4. Architecture Analysis

Hub/bridge detection ile architectural chokepoint'leri tespit edin. Surprise scoring ile unexpected coupling'leri bulun.

5. Onboarding

New team members için auto-generated architecture overview ve suggested questions.

İlgili CoddyKit Eğitimleri

Code-review-graph'ın teknolojilerini derinlemesine öğrenmek için:

• AI with Python — Python fundamentals ve AI/ML integration
• AI Agents — MCP, AI coding tools ve agent architecture
• TypeScript — MCP protocol understanding için
• Rust — Tree-sitter ve high-performance parsing

Sonuç: Neden 23,686 Stars?

Code-review-graph'ın bu kadar hızlı büyümesinin sebepleri:

1. Gerçek problem çözüyor: AI coding tools'un token israfını 82x azaltıyor
2. Dürüst benchmarking: 528x maximum, 82x median — hype değil, data
3. Local-first: Privacy-focused, GDPR/HIPAA uyumlu
4. Broad language support: 35+ dil, custom language config
5. Easy integration: Tek komutla Claude Code, Cursor, Copilot setup
6. Open source (MIT): Fork'la, customize et, self-host et
7. Active development: v2.3.6, regular updates, responsive community

Bugün 1,833 yeni yıldızla GitHub Trending'in zirvesinde. AI coding tools kullanıyorsanız ve token faturanız canınızı sıkıyorsa, code-review-graph'ı denemek için iyi bir zaman.

Links

• GitHub: tirth8205/code-review-graph
• PyPI: code-review-graph
• Website: code-review-graph.com
• Discord: Community
• Docs: Usage, Commands, FAQ

---

GitHub Stars: 23,686 ⭐ | Forks: 2,297 | License: MIT | Language: Python | Created: February 2026

Bu yazı GitHub Trending'in 21 Temmuz 2026 tarihli verilerine dayanmaktadır.