把代码库变成一张图，AI终于知道该找谁改代码了

每个团队都有这么一个人：你问他"这个函数能改吗"，他能立刻告诉你——小心，请求分发器在调它，去年重构过，改成显式传上下文了，去找 David，是他做的。这段回答不在任何一个文件里，它散落在调用图、PR 历史、当初推动改动的 issue，以及参与其中的人之间。 AI 编程助手走不了这条路。它只看得见眼前的文件，也许再加一两条向量检索的结果，会话一结束，全部忘光。RepoBrain 的做法是：指向任意公开 GitHub 仓库，在 FalkorDB 里建一张知识图谱，让 agent 通过遍历这张图来回答问题、审查 PR，并且每条答案都附上它走过的路径。 四层结构，一次摄入 一次 ingest 把仓库拆成四层互相连接的数据。代码层是 File 定义 Function、Function 调用 Function；历史层是 Person 撰写或评审 PR、PR 修改 Function；意图层是 PR 修复 Issue；记忆层则是 Episode 使用任意节点、Note 指向 Task。 代码层来自 Python 自带的 ast 模块，函数、方法、调用和导入按名称解析。历史层来自 GitHub 的 GraphQL API：最近 200 个已合并 PR、它们的评审人、关闭的 issue，以及 diff 里的每个文件。PR 与函数的关联靠 diff 的 hunk 头和改动过的 def 行建立。意图层是多数工具漏掉的部分——一个 PR 修复的那个 issue，通常写清了代码为什么长成现在这样。 每个仓库在同一个 FalkorDB 实例里拥有独立的图，租户隔离不产生额外成本。 为什么是图 "full_dispatch_request 为什么写成这样，我该问谁"——这个问题可以写成一条 Cypher 查询：从函数出发，找到撰写过修改它的 PR 的人，再可选地连到该 PR 修复的 issue，按合并时间倒序取最近 6 条。 在 Flask 上，这条查询返回 PR #5818（由 @davidism 提交，把上下文贯穿分发方法），它修复了 Issue #5815（在内部传递上下文，而不是使用 contextvars）。两者合起来解释了设计意图：让一个 AppContext 贯穿每个分发方法，而不是读取上下文代理——这个想法最早由 @pgjones 提出，目的是加速异步视图。在关系型存储里这是四次 join，在向量存储里这是一次猜测，在图中它是一个跳转模式，在 FalkorDB Cloud 上约 0.1 秒跑完。 每个 agent 工具都是这样一条查询。LLM（跑在 Groq 上的 gpt-oss-120b）只负责选择调用哪个工具、把结果写成文字。事实来自图，所以答案自带凭据。 会过期的记忆 记忆分两种。Episode 记录每一次问答，用 USED 边连到 agent 碰过的代码、PR 和人，同一会话里追问时历史直接从图里取回。Fact 是可长期保留的结论，比如"@davidism 拥有 AppContext 设计，PR #5818"，用 ABOUT 边连到它描述的对象，由 agent 通过 remember 工具保存；如果它忘了，一个整合步骤会从答案中提炼出来，完成从情节记忆到语义记忆的转换。 难点在于过期。一条关于函数的结论，只在该函数被改动之前成立。所以 ingest 时会给每个函数的 AST 存一个指纹——对 ast.dump(node) 做哈希，重新格式化不算改动。保存结论时，ABOUT 边记下当时看到的指纹。重新同步后，代码在结论脚下移动过，这条结论就是过期的。agent 被要求把过期结论当作待复核的线索，而不是可以照搬的真相；界面上它们会得到一个琥珀色的"Stale: code changed"标记。 三个 agent，一张共享的图 PR 审查由三个 agent 顺序执行，它们之间不传 Python 对象，而是通过图交接。RepoBrain 先把 PR 的 diff hunk 映射到函数的行范围，确定到底哪些函数变了，创建一个 Task 指向 Function。impact agent 走调用图，写一条 Note 指向该 Task。historian 从图里读到这条 Note，挖出改动代码背后的 PR 和 issue，标出这个 PR 可能推翻的东西。reviewer 读完两份 Note，用 experts 工具挑出人类评审人，写出 PR 评论，由 GitHub Action 发布。 在 Flask 的开放 PR #5918 上，historian 找到了 PR #5917——它刚刚修复了 provide_automatic_options 的覆盖逻辑（对应 Issue #5916），还找到了添加该配置项的 PR #5496。这正是审查这个 PR