AIコーディングの「無駄なコンテキスト」を削る新ツール

AIコーディングツールを使い始めると、ほぼ必ず直面する問題がある。「コードベース全体を読ませると精度が落ちる」「コンテキスト量が増えてコストがかさむ」という現象だ。要は、AIに「関係ないコードまで全部読ませてしまっている」状態が問題の根本にある。

GitHubで注目を集めている「code-review-graph↗」は、この問題に正面から切り込むツールだ。コードベース全体を事前にグラフ構造でマッピングし、AIコーディングツールが「今本当に必要な部分だけ」を読み込めるようにする。ローカル動作（自分のPCで完結）なので、コードが外部に送信されるリスクも気にしなくていい。CLIとMCPの両方に対応しており、すでに使っているClaude CodeやCursorなどの環境にそのまま組み込める設計になっている。

AIコーディングツールの普及が進む中で、「コンテキスト管理」は2025年後半から2026年にかけて業界の主要課題として浮上してきている。Claude CodeやGitHub Copilotが広く使われるようになったぶん、「とりあえずリポジトリ全体を食わせる」という使い方の限界も見えてきた局面だ。

code-review-graphが特に有効とされているのは「大規模リポジトリ」での運用だ。数百〜数千ファイルが存在するコードベースでは、AIが読み込むべき情報を絞り込まないと、精度・速度・コストのすべてが劣化する。公式ドキュメントによると、コードレビューや大規模リポジトリのワークフローにおいてコンテキスト量を大幅に削減できるとされており、スター数も18,000超と急速に支持を集めている。

似た課題へのアプローチとしては、プロジェクトに「CLAUDE.md」などの指示ファイルを置いてAIの参照範囲を絞る方法もある。ただしそれは人間が手動で管理するもので、コードベースの変化に追従させるには継続的なメンテが必要になる。code-review-graphはコードの依存関係を自動で解析して「どのファイルが今のタスクに関係するか」をグラフで保持するため、手動管理の手間を省ける点が差分として大きい。

Claude Codeで「コードを書く人」から「指示する人」へでも取り上げたように、AIコーディングは「何を渡すか」の設計が精度を決定づける時代に入っている。code-review-graphはその「渡す情報の設計」を自動化するツールとして位置づけられる。

Q. 日本語のコメントや変数名が混在したコードでも動くか？ code-review-graphはコードの構文解析と依存関係のグラフ化を主な処理として行う。日本語コメント自体はパース上の障害にはなりにくいが、日本語の変数名・関数名を含む場合の挙動は公式ドキュメントで明示的に言及されていない。触り始めは日本語コメントが多いファイルでも動作するか、まず小規模なリポジトリで確認するのが現実的なアプローチになる。

Q. コードが外部に送信されることはないか？ ローカルファーストの設計で、グラフの生成・保持はすべてローカルで完結する。クラウドサービスへのコード送信は発生しない。ただしMCP経由でAIツールと連携する際は、最終的にAIツール側（ClaudeやCursorなど）にコンテキストが渡る点は変わらない。「グラフ生成・管理」の部分がローカルで完結する、という理解が正確だ。

Q. 既存の「CLAUDE.mdでコンテキストを管理する」やり方とどう違うのか？ CLAUDE.mdなどの手動指示ファイルは人間が管理するルールベースのアプローチで、コードベースの変化に都度追従させる必要がある。code-review-graphはコードの依存関係を自動解析してグラフを更新し続けるため、「コードが増えた・変わった」ときに手動メンテがいらない点が異なる。両者は競合するというより、「手動の方針設定」と「自動の関連ファイル抽出」として補完的に使える。