Was kostet code-review-graph?

Kostenlos und Open Source (MIT). Optionale Cloud-Anbieter für Embeddings (Gemini, Voyage, OpenAI-kompatibel) rechnen separat ab.

Welche Nachteile hat code-review-graph?

30 Tools erhöhen den Kontextbedarf, wenn du sie nicht kürzt; Der Installer schreibt Hooks und Rules in jedes erkannte Tool; Flusserkennung für JavaScript und Go schwächer; 186 offene Issues; kein Release seit September 2026.

Was kostet code-review-graph für ein Team oder im Produktivbetrieb?

Kostenlos. Lokale Embeddings nutzen standardmäßig all-MiniLM-L6-v2 auf der CPU; Cloud-Anbieter für Embeddings rechnen zu eigenen Tarifen ab. Die Ersparnis liegt bei der Modellrechnung: Die Beispielfragen im README liefern etwa 2.200 bis 3.900 Tokens statt eines ganzen Korpus.

Ist code-review-graph sicher für Firmendaten?

Der Graph ist eine lokale SQLite-Datei; serve läuft über stdio, und serve --http lauscht auf localhost:5555. Optionale Cloud-Embeddings (Gemini, Voyage, MiniMax oder ein beliebiger OpenAI-kompatibler Endpunkt) schicken Code-Ausschnitte von der Maschine, mit vorheriger Warnung. Es sind keine Sicherheitshinweise veröffentlicht.

Was sind die besten Alternativen zu code-review-graph?

Die nächsten Alternativen, die wir getestet haben, sind GitNexus, Serena, Semble, GitHub MCP Server und CodeGraph.

code-review-graph MCP-Server im Test (2026)

Was ist code-review-graph?

code-review-graph zerlegt ein Repository mit tree-sitter in einen Graphen aus Funktionen, Klassen, Imports, Aufrufen und Tests, speichert ihn in einer lokalen SQLite-Datei und stellt ihn KI-Coding-Tools über MCP bereit. Wenn du eine Änderung prüfst, fragt der Assistent den Graphen nach dem 'Blast Radius' (jedem Aufrufer, jeder Abhängigkeit und jedem Test, den die Änderung berühren könnte) und liest nur diese Dateien. Hooks und ein Watch-Modus halten den Graphen inkrementell aktuell.

Er stellt 30 MCP-Tools und 5 Prompts bereit, von Impact-Analyse und Review-Kontext über die Auflistung von Ausführungsflüssen bis zu Architekturübersichten, Refactoring-Vorschauen und repoübergreifender Suche; eine CRG_TOOLS-Einstellung kürzt die Liste. Ein einziger Installationsbefehl erkennt und konfiguriert 16 KI-Tools, darunter Claude Code, Codex, Cursor, Windsurf, Zed, Gemini CLI und GitHub Copilot. Eine GitHub Action postet Review-Kommentare mit Risikobewertung in Pull Requests.

Das Repo hat rund 32.300 GitHub-Sterne; Version 2.3.9 erschien am 18. September 2026. Es steht unter der MIT-Lizenz und braucht Python 3.10 oder neuer.

code-review-graph installieren

pip install code-review-graph && code-review-graph install

Lohnt sich code-review-graph?

Die Idee ist schlüssig: Statt einen Assistenten bei jedem Review große Teile einer Codebasis neu lesen zu lassen, berechnest du vorab, wer wovon abhängt, und gibst ihm eine kurze Liste. Das README nennt eine mediane Token-Reduktion um das 63-Fache pro Frage über sechs Open-Source-Repositories, mit einem Maximum von 358 beim größten, fastapi. Ein Kaltstart-Build eines Repos mit rund 3.000 Dateien dauerte in den Messungen des Maintainers etwa 40 Sekunden, und eine Änderung an zwei Dateien wird in etwa 2,5 Sekunden neu indexiert, davon 1,4 für den Prozessstart.

Das Projekt ist offen, was seine Grenzen angeht, und das ist seltener, als es sein sollte. Es räumt ein, dass sein Impact-Recall von 1,0 zirkulär ist (die Ground Truth stammt aus demselben Graphen), nennt einen durchschnittlichen F1-Wert von 0,69 bei einer Precision von 0,55, gibt zu, dass seine Co-Change-Auswertung nichts Brauchbares ergab, weist darauf hin, dass Graph-Kontext bei winzigen Änderungen mehr kosten kann als ein einfaches Lesen der Datei, und sagt, dass die Flusserkennung für JavaScript und Go schwächer ist als für Python und PHP.

Die Kompromisse liegen bei Platzbedarf und Kontrolle. Der Installationsschritt schreibt MCP-Einträge, Hooks, Skills und Anweisungen für Rules-Dateien in jedes KI-Tool, das er findet, und 30 Tool-Definitionen belegen spürbar Kontext; das Flag pro Plattform und CRG_TOOLS halten das klein. Die meisten Tools lesen nur, aber apply_refactor_tool bearbeitet Quelldateien. Standardmäßig bleibt alles lokal, doch wer einen Cloud-Anbieter für Embeddings einschaltet, schickt Code-Ausschnitte von der Maschine, wovor das Tool warnt. Mit 186 offenen Issues und keinem Release seit dem 18. September ist die Wartung eher geschäftig als eingeschlafen, der Rückstau aber lang.

Gegenüber GitNexus ist es die freizügigere Wahl (MIT statt einer nichtkommerziellen Lizenz) und stärker auf Reviews ausgerichtet. Gegenüber Serena ist es beim präzisen Bearbeiten schwächer, weil sein Graph aus dem Parsen stammt und nicht aus Language Servern. Eine Umbenennung, die es in der Vorschau zeigt, ist daher eine strukturelle Vermutung und nicht typgeprüft.

Wo es sich lohnt

Ein Reviewer bei einem Python-Service mit 3.000 Dateien, der Claude Code nutzt
Einen Pull Request prüfen, ohne dass der Agent das halbe Repo liest
Einmal code-review-graph install ausführen (bei dieser Größe etwa 40 Sekunden für den Build); der Agent ruft get_review_context_tool und get_impact_radius_tool auf und liest nur die Dateien im Blast Radius. Laut README-Median sind das 63-mal weniger Tokens pro Frage, wobei eine Änderung an zwei Zeilen mehr kosten kann als das Lesen der Datei.
Eine Engineering-Managerin, die bei jedem Pull Request ein Risikosignal haben will
Riskante Änderungen und ungetestete Hotspots in der CI markieren
Die Composite GitHub Action baut den Graphen auf dem Runner und postet einen dauerhaften Kommentar mit risikobewerteten Funktionen, betroffenen Flüssen und Testlücken; fail-on-risk macht daraus eine Merge-Hürde. Kein Code verlässt den Runner, die einzigen Kosten sind CI-Minuten.
Ein Entwickler, der in eine große, unbekannte PHP-Codebasis einsteigt
Eine Architekturkarte bekommen, bevor er irgendetwas anfasst
get_architecture_overview_tool und generate_wiki_tool erstellen eine Ansicht aus erkannten Code-Communities, und get_knowledge_gaps_tool zeigt auf ungetestete Hotspots. Die Flusserkennung ist für Python und PHP stärker als für JavaScript oder Go, daher ist die Karte in diesen Sprachen am verlässlichsten.

Bevor du dich festlegst

Einrichtung: pip install code-review-graph, dann erkennt code-review-graph install bis zu 16 KI-Tools und schreibt in jedes MCP-Einträge, Hooks, Skills und Rules-Anweisungen; danach den Editor neu starten. Python 3.10+; code-review-graph uninstall entfernt nur die eigenen Einträge.
Integrationen: 30 Tools plus 5 MCP-Prompts wie review_changes und pre_merge_check. Die meisten sind schreibgeschützte Abfragen (Impact Radius, Review-Kontext, Aufrufer und Aufgerufene, Flüsse, Communities, Hub- und Bridge-Knoten); build_or_update_graph_tool, embed_graph_tool, generate_wiki_tool und apply_refactor_tool schreiben, das letzte in deine Quelldateien.
Daten und Datenschutz: Der Graph ist eine lokale SQLite-Datei; serve läuft über stdio, und serve --http lauscht auf localhost:5555. Optionale Cloud-Embeddings (Gemini, Voyage, MiniMax oder ein beliebiger OpenAI-kompatibler Endpunkt) schicken Code-Ausschnitte von der Maschine, mit vorheriger Warnung. Es sind keine Sicherheitshinweise veröffentlicht.
Kosten im großen Maßstab: Kostenlos. Lokale Embeddings nutzen standardmäßig all-MiniLM-L6-v2 auf der CPU; Cloud-Anbieter für Embeddings rechnen zu eigenen Tarifen ab. Die Ersparnis liegt bei der Modellrechnung: Die Beispielfragen im README liefern etwa 2.200 bis 3.900 Tokens statt eines ganzen Korpus.
Grenzen: Der Impact-Recall ist nach eigener Darstellung des Projekts zirkulär, mit einem durchschnittlichen F1-Wert von 0,69 über 13 Commits. Schreibgeschützte Tools haben keinen Timeout, sofern CRG_TOOL_TIMEOUT nicht gesetzt ist, und die schreibenden Tools werden davon nie begrenzt.

Was gut ist

Blast-Radius-Analyse, die gezielt auf Code-Reviews zugeschnitten ist
Lokaler SQLite-Graph; kein externer Dienst nötig
MIT-lizenziert, mit einer GitHub Action für PR-Kommentare
Dokumentiert die Grenzen seiner eigenen Benchmarks

Was nicht

30 Tools erhöhen den Kontextbedarf, wenn du sie nicht kürzt
Der Installer schreibt Hooks und Rules in jedes erkannte Tool
Flusserkennung für JavaScript und Go schwächer
186 offene Issues; kein Release seit September 2026

Am besten für

Teams, die KI-Assistenten für Pull-Request-Reviews auf mittleren bis großen Repositories nutzen und einen freizügig lizenzierten, lokalen Code-Graphen wollen.

Alternativen zu code-review-graph

GitNexus

Abhigyan PatwariDeveloper

3.9/5

Indexes a codebase into a local knowledge graph of calls, clusters and execution flows, and serves it to coding agents over MCP.

Serena

Oraios AIDeveloper

4.2/5

Gives coding agents IDE-style tools: find symbols, follow references, rename and edit code by symbol, backed by language servers.

Semble

MinishLabDeveloper

4.1/5

Fast local code search for agents: natural-language queries return only the relevant snippets, on CPU, with no API keys.

GitHub MCP Server

GitHubDeveloper

4.7/5

GitHub's own MCP server: 93 tools for code, issues, pull requests, Actions and security alerts, hosted or self-run.

CodeGraph

Colby McHenryDeveloper