code-review-graph는 개발자 Tirth Kanani가 2026년 6월 15일 공개한 로컬 기반의 코드 지능화 그래프 엔진이다. 이 도구는 Tree-sitter (트리시터 파서) 기술을 활용해 다양한 프로그래밍 언어의 소스 코드를 구문 분석하고, 시스템 내부의 클래스, 함수, 변수 간의 호출 및 의존성 관계만을 정밀하게 추출하여 SQLite (스큐엘라이트) 인메모리 및 디스크 지식 그래프 (Knowledge Graph) 형태로 구축한다. 구축된 지식 그래프는 Anthropic의 MCP (Model Context Protocol, 모델 컨텍스트 프로토콜) 표준 및 CLI 연동을 지원하여 Claude Code나 Cursor 같은 차세대 AI IDE 및 자동화 에이전트가 코드베이스를 탐색할 때 불필요한 전체 파일을 읽지 않고 오직 관계성 정보와 관련 스니펫만을 조밀하게 전달받을 수 있도록 설계되었다. 기존의 대규모 소스 코드 분석 및 코드 리뷰 작업에서는 AI LLM에게 수백 개 이상의 파일 전체를 직접 컨텍스트 창에 입력하거나 단순 키워드 기반 RAG (검색 증강 생성)에 의존함에 따라 토큰 낭비와 환각 현상이 빈번하게 발생했다. 비유하자면 기존 AI 코딩 도구가 도서관의 전체 서적을 통째로 읽어가며 질문의 답을 찾듯 비효율적이었다면, code-review-graph는 서적의 목차와 입체적인 인덱스 색인을 먼저 생성해 둔 뒤 필요한 단락만을 정확히 찾아내는 구조와 같다. 코드베이스의 의존성 구조를 구조화된 그래프 데이터로 변환함으로써, 코드 변경 사항이나 특정 함수의 호출 여파를 분석할 때 무작위 텍스트 검색 대신 명확한 노드 추적 방식을 사용하며 이에 따라 대형 모노레포 환경에서도 LLM 컨텍스트 입력 토큰량을 최대 49배까지 혁신적으로 절감할 수 있다. 생명공학 정보학 소프트웨어 개발이나 바이오 데이터 파이프라인 엔지니어링 실무에서도 code-review-graph의 효용성은 매우 뛰어나다. 예를 들어 유전체 데이터 분석 알고리즘, 파이프라인 모듈, 오믹스 데이터 파싱 유틸리티 등이 수십 개 파일에 복잡하게 얽혀 있는 Python 및 C++ 코드베이스에 대해 git hook (깃 훅) 기반의 증분 인덱싱 (Incremental Indexing)을 적용해 둘 수 있다. 개발자가 소스 코드를 수정하고 PR (Pull Request)을 생성할 때 code-review-graph CLI를 호출하면 변경된 함수와 연결된 상위 클래스 및 하위 종속성 노드만 SQLite 그래프에서 수 밀리초 내에 조회된다. 이를 통해 AI 코드 리뷰 에이전트는 전체 라이브러리를 스캔하지 않고도 단 1,000 토큰 미만의 정밀한 컨텍스트만으로 유전체 알고리즘 변형의 영향도를 완벽하게 평가할 수 있다.