¿Qué es code-review-graph?
code-review-graph analiza un repositorio con tree-sitter y lo convierte en un grafo de funciones, clases, imports, llamadas y tests, lo guarda en un archivo SQLite local y lo sirve a las herramientas de programación con IA por MCP. Cuando revisas un cambio, el asistente pide al grafo el "radio de impacto" (cada llamador, dependiente y test que el cambio podría tocar) y lee solo esos archivos. Unos hooks y un modo de vigilancia mantienen el grafo actualizado de forma incremental.
Expone 30 herramientas MCP y 5 prompts, desde análisis de impacto y contexto de revisión hasta listados de flujos de ejecución, vistas generales de la arquitectura, vistas previas de refactorizaciones y búsqueda entre repositorios; el ajuste CRG_TOOLS recorta la lista. Un solo comando de instalación detecta y configura 16 herramientas de IA, entre ellas Claude Code, Codex, Cursor, Windsurf, Zed, Gemini CLI y GitHub Copilot. Una GitHub Action publica en los pull requests comentarios de revisión con puntuación de riesgo.
El repositorio tiene unas 32.300 estrellas en GitHub; la versión 2.3.9 salió el 18 de septiembre de 2026. Tiene licencia MIT y necesita Python 3.10 o posterior.
Cómo instalar code-review-graph
pip install code-review-graph && code-review-graph install¿Merece la pena code-review-graph?
La idea es sensata: en lugar de dejar que un asistente vuelva a leer gran parte del código en cada revisión, se precalcula quién depende de qué y se le entrega una lista corta. El README informa de una reducción mediana de tokens por pregunta de 63 veces en seis repositorios de código abierto, con un máximo de 358 en el más grande, fastapi. Una construcción desde cero de un repositorio de unos 3.000 archivos tardó unos 40 segundos en las mediciones del mantenedor, y una edición de dos archivos se reindexa en unos 2,5 segundos, de los que 1,4 corresponden al arranque del proceso.
El proyecto es sincero sobre sus límites, algo más raro de lo que debería. Dice que su recall de impacto de 1,0 es circular (la verdad de referencia sale del mismo grafo), informa de un F1 medio de 0,69 con una precisión de 0,55, admite que su evaluación de cambios conjuntos no dio nada utilizable, señala que el contexto del grafo puede costar más que leer el archivo en ediciones mínimas y dice que la detección de flujos es más débil en JavaScript y Go que en Python y PHP.
Las contrapartidas son la huella y el control. El paso de instalación escribe entradas MCP, hooks, skills e instrucciones en archivos de reglas en cada herramienta de IA que encuentra, y 30 definiciones de herramientas ocupan contexto de verdad; el indicador por plataforma y CRG_TOOLS lo mantienen contenido. La mayoría de las herramientas solo leen, pero apply_refactor_tool edita archivos de código. Todo se queda en local por defecto, pero activar un proveedor de embeddings en la nube envía fragmentos de código fuera de la máquina, y la herramienta lo advierte. Con 186 incidencias abiertas y ninguna versión desde el 18 de septiembre, el mantenimiento está ocupado más que parado, pero la cola de trabajo es larga.
Frente a GitNexus es la opción más permisiva (MIT en lugar de una licencia no comercial) y está más centrada en la revisión. Frente a Serena es peor en la edición precisa, porque su grafo sale del análisis sintáctico y no de servidores de lenguaje, así que un renombrado que previsualiza es una suposición estructural, no una comprobada con tipos.
Dónde se gana su sitio
Un revisor de un servicio en Python de 3.000 archivos que usa Claude Code
Revisar un pull request sin que el agente lea medio repositorio
Ejecuta code-review-graph install una vez (unos 40 segundos de construcción para ese tamaño); el agente llama a get_review_context_tool y get_impact_radius_tool y lee solo los archivos del radio de impacto. La mediana del README es 63 veces menos tokens por pregunta, aunque una edición de dos líneas puede costar más que leer el archivo.
Una responsable de ingeniería que quiere una señal de riesgo en cada pull request
Marcar en CI los cambios arriesgados y los puntos calientes sin tests
La GitHub Action compuesta construye el grafo en el runner y publica un único comentario fijo con funciones puntuadas por riesgo, flujos afectados y huecos de tests; fail-on-risk lo convierte en una condición para fusionar. Ningún código sale del runner, así que el único coste son los minutos de CI.
Un desarrollador que se incorpora a un código PHP grande y desconocido
Tener un mapa de la arquitectura antes de tocar nada
get_architecture_overview_tool y generate_wiki_tool construyen una vista a partir de las comunidades de código detectadas, y get_knowledge_gaps_tool señala los puntos calientes sin tests. La detección de flujos es mejor en Python y PHP que en JavaScript o Go, así que el mapa es más fiable en esos lenguajes.
Antes de decidirte
- Puesta en marcha
- pip install code-review-graph y después code-review-graph install detecta hasta 16 herramientas de IA y escribe en cada una entradas MCP, hooks, skills e instrucciones de reglas; reinicia el editor. Python 3.10+; code-review-graph uninstall elimina solo sus propias entradas.
- Integraciones
- 30 herramientas más 5 prompts MCP como review_changes y pre_merge_check. La mayoría son consultas de solo lectura (radio de impacto, contexto de revisión, llamadores y llamados, flujos, comunidades, nodos hub y puente); build_or_update_graph_tool, embed_graph_tool, generate_wiki_tool y apply_refactor_tool escriben, la última en tus archivos de código.
- Datos y privacidad
- El grafo es un archivo SQLite local; serve funciona por stdio y serve --http escucha en localhost:5555. Los embeddings opcionales en la nube (Gemini, Voyage, MiniMax o cualquier endpoint compatible con OpenAI) envían fragmentos de código fuera de la máquina, con un aviso previo. No hay avisos de seguridad publicados.
- Coste a escala
- Gratis. Los embeddings locales usan por defecto all-MiniLM-L6-v2 en CPU; los proveedores de embeddings en la nube cobran sus propias tarifas. El ahorro está en la factura del modelo: las preguntas de ejemplo del README devuelven entre unos 2.200 y 3.900 tokens en lugar de un corpus entero.
- Límites
- El recall de impacto es circular según el propio proyecto, con un F1 medio de 0,69 sobre 13 commits. Las herramientas de solo lectura no tienen tiempo de espera salvo que se defina CRG_TOOL_TIMEOUT, y las de escritura nunca quedan limitadas por él.
Lo bueno
- Análisis del radio de impacto pensado directamente para la revisión de código
- Grafo SQLite local; no necesita ningún servicio externo
- Licencia MIT, con una GitHub Action para comentar en los PR
- Documenta los límites de sus propias pruebas
Lo malo
- 30 herramientas añaden carga de contexto si no se recortan
- El instalador escribe hooks y reglas en cada herramienta que detecta
- Detección de flujos más d ébil en JavaScript y Go
- 186 incidencias abiertas; ninguna versión desde septiembre de 2026
Ideal para
Equipos que usan asistentes de IA para revisar pull requests en repositorios medianos y grandes y quieren un grafo de código local con licencia permisiva.
Alternativas a code-review-graph
code-review-graph: preguntas frecuentes
- ¿Merece la pena code-review-graph?
- Precalcular el radio de impacto abarata la revisión con IA en repositorios grandes, y el proyecto es inusualmente franco sobre dónde flojean sus cifras; recorta sus 30 herramientas antes de instalarlo. Le damos un 4.0 sobre 5.
- ¿Cuánto cuesta code-review-graph?
- Gratis y de código abierto (MIT). Los proveedores opcionales de embeddings en la nube (Gemini, Voyage, compatibles con OpenAI) te facturan aparte.
- ¿Qué inconvenientes tiene code-review-graph?
- 30 herramientas añaden carga de contexto si no se recortan; el instalador escribe hooks y reglas en cada herramienta que detecta; detección de flujos más débil en JavaScript y Go; 186 incidencias abiertas; ninguna versión desde septiembre de 2026.
- ¿Para quién es code-review-graph?
- Equipos que usan asistentes de IA para revisar pull requests en repositorios medianos y grandes y quieren un grafo de código local con licencia permisiva.
- ¿Cuánto cuesta code-review-graph para un equipo o en producción?
- Gratis. Los embeddings locales usan por defecto all-MiniLM-L6-v2 en CPU; los proveedores de embeddings en la nube cobran sus propias tarifas. El ahorro está en la factura del modelo: las preguntas de ejemplo del README devuelven entre unos 2.200 y 3.900 tokens en lugar de un corpus entero.
- ¿Es code-review-graph seguro para los datos de la empresa?
- El grafo es un archivo SQLite local; serve funciona por stdio y serve --http escucha en localhost:5555. Los embeddings opcionales en la nube (Gemini, Voyage, MiniMax o cualquier endpoint compatible con OpenAI) envían fragmentos de código fuera de la máquina, con un aviso previo. No hay avisos de seguridad publicados.
- ¿Cuáles son las mejores alternativas a code-review-graph?
- Las alternativas más cercanas que hemos analizado son GitNexus, Serena, Semble, GitHub MCP Server y CodeGraph.
Respuestas comprobadas el 23 oct 2026.