コードベース全体をAIで地図化して編集できるツール登場

ファイル数が増えてくると、AIへの質問精度が落ちていく。どのファイルに何が書かれているかをAIに把握させるには、全コードを貼り付けるしかなく、コンテキスト上限にすぐ当たる。「このクラス、どこから呼ばれていたっけ？」「この関数を変えたら他にどこが壊れる？」といった問いに、AIがまともに答えられなくなるのがモノレポや中規模以上のプロジェクトの現実だ。

この課題を正面から解こうとしているのが、GitHubで2,496スターを集めている「code-graph-rag」（vitali87/code-graph-rag）。コードベース全体を知識グラフ（ナレッジグラフ）として構造化し、「どのファイルがどの関数を呼び、どのモジュールと繋がっているか」を可視化したうえでAIと連携させる設計になっている。

通常のRAG（検索拡張生成）は、コードをテキストとして分割してベクトル検索にかける。これは「似た言葉が含まれるファイルを探す」には向いているが、コードの依存関係——「AがBを呼び、BがCを継承している」——は拾えない。

code-graph-ragはここを変えている。コードを解析してノード（関数・クラス・ファイル）とエッジ（呼び出し・継承・インポート）に分解し、グラフDBに格納する。AIへの質問はこのグラフを通じて行われるため、「この関数に影響する上流の処理をすべて列挙して」「このモジュールを削除したら破綻する箇所はどこか」といった構造依存の問いに答えられるようになる。

複数言語が混在するプロジェクトへの対応も明記されており、Python・JavaScript・TypeScriptなどが混じったリポジトリでも一括してグラフ化できる点が実用面でのポイントだ。コードの検索だけでなく、グラフを通じた編集（どこを直せば安全か、の判断材料）まで視野に入れた設計になっている。

一方で、元情報として挙がっているもう一つのツール「DeepSeek-Reasonix」（esengine製、29,822スター）はターミナルで動くAIコーディングエージェントで、こちらはプレフィックスキャッシュを活かした「長時間稼働」に最適化されている。code-graph-ragが「構造を理解して質問する」ための基盤なら、DeepSeek-ReasonixはそのアウトプットをもとにAIエージェントに処理を回すような使い方との親和性も高い。コーディングAIだけで本番エージェントを作る新手順で紹介したような自律エージェント構築と組み合わせると、より大きな可能性がある。

コードなしでも試せること： READMEのセットアップ手順に沿って自分のプロジェクトフォルダを読み込ませるところまでは、コマンドのコピペで進められる。どのファイルがどこと繋がっているかのグラフ可視化を確認するだけなら、技術的なハードルは低い。まず「自分の手元にある中規模のリポジトリ（ファイル数50〜200程度）」を対象に動かしてみるのが現実的なファーストステップだ。

コードが書けると有利なこと： グラフへのクエリ（「この関数から3ホップ以内にある全関数を返せ」など）をカスタマイズしたり、LLMとの連携部分をAPI経由で自作エージェントに繋いだりするには、Pythonの基礎が必要になる。また、ドキュメントによるとグラフDB（Neo4jなど）の設定が前提となる部分があるため、環境構築の経験がある人のほうがセットアップの調整はしやすい。

PDFからのコード抽出・テキスト解析が絡むケースでは、同時期に公開されたfirecrawlの「pdf-inspector」（7,828スター）も参照したい。スキャンPDF vs テキストPDFを自動判別して処理を振り分けるRust製ライブラリで、ドキュメントが混在する開発プロジェクトでの前処理に組み合わせられる可能性がある。