Vraag je een AI-coding-tool om een wijziging te reviewen, dan leest die vaak veel meer van je repository dan nodig is. Dat kost tokens en vult het contextvenster met bestanden die er niets mee te maken hebben. Code Review Graph pakt dat aan door je code vooraf in kaart te brengen. Het project begon in februari 2026, staat inmiddels op zo’n 32.600 GitHub-sterren en zit op versie 2.3.9 van 18 september 2026 (Bron: GitHub, Bron: PyPI).
Update 4 november 2026 Dit stuk is nagelopen tegen de huidige README en PyPI. Het aantal ondersteunde tools is gegroeid naar 16 en de 63x blijkt een vergelijking met het hele corpus, geen meting van wat een agent in de praktijk leest. De 0,69 F1 is gemeten tegen een grondwaarheid uit dezelfde graaf; de eerdere tekst noemde die handmatig gecontroleerd, wat niet klopt.
Wat doet Code Review Graph?
De tool parset je codebase met tree-sitter tot een graaf: functies, klassen en imports als knooppunten, aanroepen, overerving en testdekking als verbindingen. Die graaf staat als SQLite-bestand in een map .code-review-graph/ in je project. Wijzig je iets, dan loopt de tool de graaf langs om te bepalen welke aanroepers, afhankelijke bestanden en tests geraakt kunnen worden. Dat heet de blast radius.
Je AI-tool praat met de graaf via MCP, de open standaard waarmee modellen externe tools aanroepen. De server biedt 30 tools aan, zoals get_minimal_context_tool (compacte context van ongeveer 100 tokens, bedoeld als eerste aanroep), get_impact_radius_tool en detect_changes_tool voor een risicoscore per wijziging. Waar MCP voor staat, lees je in dit overzicht op AI Platform MKB. Hoe AI-agents dit soort tools inzetten, staat in ons stuk over agents.
Beginner-tip De blast radius is simpelweg de lijst bestanden die kapot kunnen gaan door jouw wijziging. Je AI-tool leest die bestanden en laat de rest van de repo met rust.
Hoeveel tokens bespaart het echt?
De README noemt een mediane reductie van ongeveer 63x per vraag, met een bereik van 35x tot 358x. Die cijfers komen uit een meting op zes open-source repo’s (fastapi, flask, gin, httpx, express en de repo van het project zelf), vastgelegd op 2 augustus 2026 met versie 2.3.7. Bij Flask ging het om 143.594 tokens voor het hele corpus tegenover gemiddeld 2.196 tokens voor een graafquery. De 358x is fastapi, de grootste repo en dus geen typisch resultaat. Express haalt 35x (Bron: GitHub).
Lees die getallen met twee kanttekeningen. De README noemt de vergelijking met het hele corpus zelf een bovengrens die geen echte agent betaalt, want een agent zoekt op identifiers en leest de best passende bestanden. Daarnaast kan de graafcontext bij een kleine wijziging in één bestand groter uitvallen dan het bestand zelf lezen, omdat de structuurgegevens ook tokens kosten. Het meeste haal je dus uit grotere repo’s en wijzigingen die meerdere bestanden raken.
Wil je het voor je eigen project weten, draai dan code-review-graph detect-changes --brief. Dat toont een paneel met hoeveel tokens de graaf voor jouw huidige wijzigingen uitspaart, volgens de makers gemiddeld binnen ongeveer 1% van de echte tokenteller (te controleren met --verify).
Hoe installeer je Code Review Graph?
Je hebt Python 3.10 of nieuwer nodig. Daarna zijn het drie commando’s, zoals de README ze noemt:
pip install code-review-graph # of: pipx install code-review-graph
code-review-graph install # detecteert je AI-tools en configureert ze
code-review-graph build # parset de codebase- Installeer het pakket.
pipxhoudt het los van je projectomgeving,pipwerkt ook. - Laat de tool zichzelf configureren.
code-review-graph installzoekt welke AI-tools je hebt en schrijft per tool een MCP-entry. Waar de tool het ondersteunt, installeert het ook hooks en vier skills (explore-codebase,review-changes,debug-issueenrefactor-safely) en voegt het graafinstructies toe aan het regelbestand. Voor één tool gebruik je--platform, bijvoorbeeldcode-review-graph install --platform cursor. - Bouw de graaf.
code-review-graph buildparset de hele codebase. Een koude build van een repo met zo’n 3.000 bestanden duurde volgens de README ongeveer 40 seconden. - Start je AI-tool opnieuw op en test. De README vraagt om een herstart van de editor of tool na de installatie. Open daarna het project en vraag: “Build the code review graph for this project”. Daarna kun je direct om een review van een recente wijziging vragen.
Wil je alles weer weghalen, dan laat code-review-graph uninstall --dry-run eerst zien wat er verdwijnt. Zonder die vlag vraagt het commando om bevestiging.
Gevorderden De impactanalyse haalt gemiddeld 0,69 F1 over 13 commits in zes repo’s, met een precisie van 0,55. De recall van 1,0 is volgens de README circulair, omdat de grondwaarheid uit dezelfde graaf komt als de voorspelling. De analyse is bewust ruim en geeft dus vals-positieven. Loop bij een riskante refactor zelf door
detect-changes --briefvoordat je een samenvatting van je AI-tool blind overneemt.
Welke AI-tools en talen worden ondersteund?
Versie 2.3.9 kent 16 platforms: Codex, Claude Code, CodeBuddy Code, Cursor, Windsurf, Zed, Continue, OpenCode, Antigravity, Gemini CLI, Qwen Code, Kiro, Qoder, GitHub Copilot, GitHub Copilot CLI en Hermes Agent (Bron: USAGE). Voor Claude Code komt de configuratie in .mcp.json en .claude/settings.json te staan. Bij een tool als Windsurf of Zed gaat het om een bestand in je homedirectory. Meer over Claude Code zelf lees je in ons stuk over de vernieuwde desktop-app.
Qua talen noemt de README Python, JavaScript, TypeScript, Go, Rust, Java, C en C++, C#, Ruby, Kotlin, Swift, PHP, Scala, Dart, SQL, Terraform, Vue, Svelte, Astro en Jupyter- en Databricks-notebooks, plus nog een rij kleinere talen. Een vast aantal staat er niet bij. Mist je taal, dan koppel je via .code-review-graph/languages.toml een grammatica uit tree_sitter_language_pack. Houd er rekening mee dat de herkenning van uitvoerstromen (execution flows) het sterkst is voor Python en PHP met Laravel. Voor JavaScript en Go noemt het project dat nog als werk in uitvoering.
Werkt het niet meteen of loopt de graaf achter?
Zie je dat de tool de MCP-server niet oppikt, herstart dan eerst de tool. De entry wordt bij het opstarten ingelezen. Controleer ook code-review-graph status voor de grootte van de graaf.
Tijdens het werken houd je de graaf actueel met code-review-graph update (alleen gewijzigde bestanden) of code-review-graph watch. Hooks en een pre-commit-hook doen dat vaak al voor je. Een tweebestandsedit in een project van ongeveer 3.000 bestanden kostte volgens de README zo’n 2,5 seconde. Ondersteunt jouw editor geen hooks, zoals Cursor of OpenCode, dan is de meegeleverde crg-daemon een alternatief: die bewaakt meerdere repo’s en herstart een uitgevallen watcher.
In een git-repository indexeert de tool alleen bestanden die git bijhoudt. Wil je getrackte bestanden zoals gegenereerde code of vendor-mappen uitsluiten, maak dan een .code-review-graphignore in de root. Submodules neemt de tool alleen mee als je CRG_RECURSE_SUBMODULES=1 zet.
Hoe verhoudt het zich tot Graphify en Headroom?
Graphify bouwt een kennisgraaf van je hele project inclusief documentatie en PDF’s om vragen over de codebase te beantwoorden en Headroom comprimeert tool-output, logs en JSON voordat het model ze leest, terwijl Code Review Graph bepaalt welke code-bestanden bij een wijziging nodig zijn. Waar tokenkosten vandaan komen, lees je in AI-inferentie: van tokens tot watts.