AI代码审查的结构化记忆--code-review-graph

最近逛 GitHub，看到一个项目叫 Code Review Graph。(https://code-review-graph.com/)

我一开始以为是个 AI Code Review 工具，帮审 PR 那种，点进去发现不是，做的是前置化的工作，类似于提前把代码梳理一遍，结构化存储起来，后面要读取的时候直接读这个梳理好的结构。

近期用 Claude Code、Codex 等产品审查代码、改 bug 用得越来越多了。比如改 bug，接到描述后，AI 会先阅读代码，一般都是一些规则化的查询比如 grep、read，反复执行，它会猜测关键词和组合。功能上是ok的，就是时间很长，可能过好几分钟才梳理完，才能开始工作。

如果让人类来干这件事，第一步也是梳理代码，也会用全局搜索的方式去搜关键词，这和 AI 用 grep 是一样的。不过人还有一种方法，是去看具体的代码调用逻辑，比如改登录逻辑，脑子里马上就知道几个地方：Login Handler、Token 校验、UserService 等等等等。因为以前改过，踩过坑。这些东西已经在脑子里了。

Code Review Graph 想解决的就是这个问题，它会先把整个仓库扫描一遍，把代码之间的关系建出来，以后 AI 不用重新翻仓库，直接查，有点像数据库索引。

官网给的一句话介绍叫**Structural Memory for AI Code Review。**重点就是这个 Structural Memory。

现在大公司做的 agent 能力非常强大，于是很多工具都在往辅助能力上去发力了。有个我很喜欢的项目 OpenDesign，有机会可以讲讲。

根据官网的 Benchmarks，token 节约非常明显，普遍降低到原来的五分之一以下；召回率都是在百分之百。大家可以拿自己的项目体验一下。

模型在卷 Context，128K、256K、1M。数字越来越大，但很多场景真不需要这么大窗口，优化空间很大。让我想起之前一个大厂的面试官，不屑地问我为什么我做 AI 工具要考虑成本，难道是公司不给足够的 token 额度吗？我想在本文结尾提一下我对 AI 项目的成本观念。从模型看，deepseekflash和gpt5.6，价格差百倍，网上吹吹牛，现实别浮躁得跟风没gpt5.6干不了活；从优化空间看，比如本文介绍的code-review-graph，就有数倍的优化空间，自己稍微管理一下上下文还有进一步空间；AI 项目需要创造价值，但如果是人工也能干的活用 AI 来降本增效，结果却反而比人工还贵，那还是人来干。从 0 到 1 的阶段，可以不计成本快速出成果，当需要大面积使用时，还不把成本当一件重要的事情去做，我只能说死得很快，很多公司里这种死掉的项目多得很。