AI 代码审查省 70% Token 的 MCP 工具
用 Tree-sitter 构建代码结构图，增量追踪变更，通过 MCP 协议给 AI 助手精准上下文，避免重复读取无关代码。AI 工程师审查大代码库时可直接降低 API 成本，尤其适合 monorepo 和微服务场景。
Local-first code intelligence graph for MCP and CLI. Builds a persistent map of your codebase so AI coding tools read only what matters, with benchmarked context reductions on reviews and large-repo workflows.
目前主流 AI 编程工具如 Cursor、Windsurf 在审查 PR 时普遍采用全文检索或粗暴的文件列表投喂，导致上下文窗口被大量无关代码占满，成本飙升且容易触发输出截断。这个项目的关键设计在于增量追踪——只把变更影响的依赖链路喂给模型，而非整个文件树。
与 aider 的 repo-map 或 Sourcegraph Cody 的代码智能相比，它的优势是协议层解耦：通过标准 MCP 对接任意 LLM 客户端，不绑定特定编辑器。如果你在 GitHub Action 里跑自动化代码审查且月度 Token 账单超过 $500，这个工具值得替换进 CI 管线做 A/B 测试。
需要注意的坑：Tree-sitter 的语法覆盖度决定了跨语言项目的准确性，目前对 Rust/Go 支持成熟，但新兴语言如 Zig 或 Mojo 可能回退到纯文本模式，导致增量分析失效。
AI编码基础设施层：为MCP工具提供代码知识图谱与智能上下文压缩能力
独特价值：Tree-sitter增量构建持久化代码图，benchmark验证的大仓库上下文降本