Il team di ingegneria di Compare the Market (Meerkat Careers, UK) ha pubblicato, il 6 marzo 2026, una valutazione empirica di quattro approcci di recupero del contesto per la revisione del codice con IA: Baseline (nessun contesto aggiuntivo), RAG (ricerca vettoriale tramite embedding), GKG (GitLab Knowledge Graph, un grafo di conoscenza basato su AST tramite Tree-sitter e il database a grafo Kuzu), e un ibrido GKG+RAG. La valutazione copre 79 merge request reali, misurate tramite MLflow su Databricks.
Il risultato principale è controintuitivo: RAG ottiene risultati peggiori della baseline su quasi tutte le metriche, inclusa la copertura dei commenti inline, la copertura dei riepiloghi e l'accuratezza del punteggio. Aggiungere contesto recuperato tramite similarità vettoriale non è solo inutile, ma controproducente per la revisione del codice. Vengono identificate quattro cause: il rumore (la similarità vettoriale recupera codice che "sembra simile" senza essere pertinente), i falsi positivi, la mancata comprensione delle relazioni cross-file, e un effetto di distrazione che fuorvia il modello.
Al contrario, GKG supera RAG del +21% nella copertura dei commenti inline (0,696 contro 0,577). Il motivo è strutturale: la revisione del codice richiede di sapere chi chiama una funzione, cosa essa chiama e come si inserisce nell'architettura — informazioni che l'AST e il grafo di conoscenza catturano in modo nativo, ma che la similarità semantica non può fornire. GKG identifica con precisione i chiamanti, comprende le firme delle funzioni e traccia le relazioni tra il codice.
L'implementazione è pragmatica: poiché GKG è ancora in beta e non è ancora integrato nativamente nella CI/CD di GitLab, il team ha costruito un container sidecar Docker che avvolge il binario GKG, indicizza la codebase a ogni pipeline di MR e espone gli strumenti tramite un server MCP locale. Il costo è 4 volte la baseline, ma i miglioramenti sono misurabili e giustificati. RAG costa 3 volte la baseline per risultati peggiori.
Questo studio conferma una tendenza importante del 2026: per il codice, gli approcci strutturali (AST, grafi di conoscenza, grep mirato) superano gli approcci basati su vettori (RAG semantico). Il codice non è testo — il suo valore informativo risiede nelle sue relazioni strutturali, non nella sua similarità lessicale. Forte convergenza con Zhutov/QMD, Dropbox/Okumura ("il valore deriva dai sistemi che circondano il modello"), e la dottrina di Anthropic Data Science ("il collo di bottiglia è la struttura, non l'accesso"). Da utilizzare come riferimento empirico per le scelte architetturali nella revisione del codice con IA e come controargomento al RAG-by-default nel dominio del codice.