コードレビューグラフ、AIレビューのトークン節約

AIコード生成・レビュー支援ツールの普及に伴い、無駄なトークン消費が開発現場で顕在化している。コードベース全体を読み直す処理が頻発し、コストとレイテンシの両面で非効率を招く実態がある。この課題に対し、GitHubで公開された「code-review-graph」が一つの解決策を提示している。

問題の構造

AIアシスタントを用いたコードレビューでは、変更の前後関係を把握するためにコードベース全体を再読み込みする傾向がある。数百ファイル規模のプロジェクトでは、変更行数に対して過剰なトークンが消費され、レビュー依頼1回あたりのコストが無視できなくなる。

「Stop burning tokens（トークンを無駄にするな）」というプロジェクトの標語は、この問題を端的に表現している。AIコードレビューが実用的な領域に入る一方で、そのランニングコストをどう抑えるかが、持続可能な開発フローを構築する上での鍵となっている。

code-review-graphの仕組み

code-review-graphは、言語解析フレームワークTree-sitterを利用してコードベースの構造マップを構築する。変更が発生すると、その影響範囲のみを差分として抽出し、**MCP（Model Context Protocol）**を通じてAIアシスタントに渡す。

従来の手法では、ファイル全体をコンテキストとして送信していた。これに対しcode-review-graphは、関数の依存関係やクラスの継承構造といったコードの構造的情報をグラフ化し、変更の影響を受ける最小限の範囲だけを特定する。結果として、AIに送信するトークン量が削減される。

ツールはインクリメンタルな変更追跡を採用する。初期ビルド時にコードベース全体の構造を解析した後は、変更されたファイルのみを再解析する。これにより、500ファイル規模のプロジェクトでも初期構築が約10秒で完了し、ウォッチモードによって以降の更新を自動化できる。

インストールと対応プラットフォーム

導入はシンプルな設計になっている。Python 3.10以上が必要で、pip install code-review-graphまたはpipx install code-review-graphでインストールする。installコマンドを実行すると、自動的に利用可能なAI開発ツールを検出し、各プラットフォーム向けのMCP設定を書き込む。

対応プラットフォームは以下の通り：

• GitHub Copilot（VS Code）
• GitHub Copilot CLI
• Cursor
• Claude Code
• Gemini CLI
• Codex
• Kiro
• CodeBuddy

特定のプラットフォームのみを対象とする場合、--platformオプションで選択可能だ。インストールはuvxが利用可能ならそれを優先し、なければcode-review-graphコマンドを直接使用する。

アンインストールも対称的な設計で、--dry-runオプションでプレビューした後に実行できる。CRG（code-review-graph）が所有するファイルとエントリのみを削除し、他のMCPサーバやフックに影響を与えない。

ビルドプロセスと利用フロー

code-review-graph buildでコードベースの解析を実行する。このコマンドはTree-sitterを使ってソースコードの構文解析を行い、関数定義やクラス定義、変数のスコープといった構造要素をグラフデータベースに格納する。

利用フローは次のようになる：

1. リポジトリのルートでcode-review-graph installを実行
2. code-review-graph buildで構造マップを生成
3. AIアシスタントに「Build the code review graph for this project」と指示
4. ウォッチモードで変更を継続監視

Gitフックや対応プラットフォームのフック機能と連携することで、コミット時やプッシュ時に自動的にグラフを更新できる。

トークン削減の具体的効果

プロジェクトの説明文には「スタートレックのコンパクトディスクのように革新」という表現があるが、実際の効果は定量的な指標で評価する必要がある。同種のツールと比較したベンチマーク結果がロードマップに含まれており、今後公開される見込みだ。

一般的に、コード構造グラフを用いた差分抽出では、ファイル全体を送信する場合と比較して、トークン数を1桁から2桁削減できる可能性がある。特に大規模なモノレポ構成のプロジェクトでは、その効果は顕著になる。

MCPの採用がもたらす意義

code-review-graphがMCPを採用した点は注目に値する。MCPはAnthropicが提唱するプロトコルで、AIアシスタントと外部ツール・データソースの連携を標準化する。

従来、コードベースのコンテキストをAIに渡す方式は各ツールごとに異なり、共通化が困難だった。MCPを介することで、一度構築したグラフデータを複数のAI開発ツールで共有できる。これは、開発者が使用するAIアシスタントを切り替える際の移行コストを低減する。

競合との差別化

コードベースの構造解析をAIレビューに活用する試みは、Sourcegraph CodyやContinue.devなど先発ツールが存在する。code-review-graphの差別化要因は、プラットフォーム非依存である点と、インストール後の自動設定機能にある。

特にinstallコマンドが複数のAIツールを自動検出し、それぞれに適したMCP設定を書き込む仕組みは、セットアップの煩雑さを解消する。開発者は単一のコマンドで全環境を構成できる。

また、プロジェクトがPythonで記述され、pip/pipxでインストール可能な点も、Pythonエコシステムに慣れた開発者にとって敷居が低い。uvxに対応しているため、高速なパッケージ管理を選択することも可能だ。

JavaScriptのAIコード生成ツールに関連する既存記事でも指摘されている通り、AIによるコード生成・レビュー支援は急速に進化している。code-review-graphはその中で「コスト最適化」という明確なニッチを狙っている。

技術的な制約と考慮点

Tree-sitterを利用する以上、対応言語はTree-sitterがサポートする言語に限定される。主要な言語（Python、JavaScript、TypeScript、Rust、Go、Java、C/C++など）はカバーしているが、マイナー言語や社内DSLには対応できない。

また、コード構造グラフは静的な解析に基づくため、動的な振る舞いや実行時の依存関係までは捕捉できない。DIコンテナやリフレクションを多用するコードベースでは、グラフが実際の依存関係を完全に反映しない可能性がある。

読み取り専用の解析であるため、コードの自動修正やリファクタリング提案といった能動的な機能は含まれていない。あくまでコンテキスト提供に特化したツールとして設計されている。

ライセンスと開発体制

プロジェクトはGitHub上で公開され、ライセンスはARR（All Rights Reserved）とされている。商用利用の可否や利用条件については、リポジトリの詳細を確認する必要がある。

作者のtirth8205は、コードレビュー効率化のためのツールチェーンとして、今後も機能拡張を進める方針だ。ロードマップにはベンチマーク結果の公開や追加プラットフォームへの対応が含まれている。

AIコードレビュー市場の文脈

2026年現在、AIコードレビューは実用フェーズに入っている。GitHub Copilotのコードレビュー機能に加え、Amazon CodeGuru Reviewer、GitLab Code Suggestions、独自モデルを活用したスタートアップ製品が競合する。

この市場で差別化を図るには、単なる「コード生成」ではなく「開発プロセス全体の最適化」が求められる。code-review-graphは、トークン消費の最適化という具体的な価値提案で、既存のAIツールを補完する位置づけを狙う。

企業におけるAI利用コストの管理は、CTOやVPoEにとって重要な経営課題になりつつある。コードレビューの頻度が高い組織ほど、トークン消費の削減効果は投資対効果の評価に直結する。

インストール後のファーストステップ

インストール完了後、開発者は以下のフローで利用を開始する。初回のbuildコマンドでコードベース全体を解析し、その後は変更が発生するたびにインクリメンタルな更新が行われる。AIアシスタントへの指示は単純で「Build the code review graph for this project」と依頼するだけだ。

コードレビューを依頼する際、AIアシスタントはcode-review-graphが提供するグラフデータを参照し、変更の影響範囲を正確に把握する。従来のように「この関数を変更しました。関連するコードをすべて読んでください」と指示する必要はなくなる。

編集部の見解

AIコードレビューにおけるトークン消費の最適化は、ランニングコストの問題に矮小化できない。コンテキストウィンドウのサイズが増大しても、不要な情報をAIに渡せばノイズが増え、出力品質は低下する。code-review-graphの構造グラフは、この「情報の取捨選択」を自動化する試みとして評価できる。短期的には、AIツールの導入コストを気にする中堅企業やスタートアップに採用が進む可能性がある。 長期的な視点では、このようなコンテキスト最適化ツールが標準化されると、AI開発支援ツールのアーキテクチャそのものが変わる可能性がある。IDEやCLIツールがMCPを標準サポートし、グラフデータの共有が当たり前になれば、AIコードレビューの品質は一段階向上する。ただし、プロジェクトがARRライセンスである点は普及の障壁になり得る。オープンソースの代替手段が登場すれば、競争が促進されるだろう。 AIコードレビューのトークン最適化は、単なるコスト削減策なのか、それとも品質向上の本質的な手段なのか。編集部としては、コードの構造的理解をAIに提供するというアプローチは後者の可能性を秘めていると見る。

参考

• 「tirth8205 /

  code-review-graph」, by **tirth8205** — GitHub Trending, 2026-07-21 (ARR)

• 元記事URL: https://github.com/tirth8205/code-review-graph