Graphify：把代码库变成可查询的知识图谱，从一条命令到背后设计

AI Coding 工具有个尴尬的事实。它们把代码库当扁平文件系统。你每次提问，它不是 grep，就是逐文件从头读。10 万行代码的项目，模型得翻几十个文件，才能拼出答案。翻一次，几千 tokens。翻十次，context window 快满了。翻完发现漏了个关键关联，再翻一轮。

有个项目想解决这个问题。它叫 Graphify。YC S26 项目，创始人 Safi Shamsi。2026 年 4 月上线。到 8 月，已经 101,000 颗 star、9,800 个 fork。155 个 release。

装好之后，一条命令就能把整个项目变成一张知识图谱。AI 不再 grep 文件。改查图。

---

从安装到第一张图：30 秒

 uv tool install graphifyy graphify install

然后在 AI 助手里输入：

 /graphify .

跑完，graphify-out/ 下面多出三个文件：

文件	用途
graph.html	交互式力导向图，浏览器打开，节点可点击、可筛选、可搜索
GRAPH_REPORT.md	文本摘要：核心节点、意外关联、建议问题
graph.json	完整图谱数据，后续查询全靠它，不用重新读源码

之后想查什么，直接问图：

 graphify query "auth 和数据库之间怎么连接的？" graphify path "UserService" "DatabasePool" graphify explain "RateLimiter"

graphify path 的交互最直观。问「FastAPI 和 ModelField 之间怎么走」。它一步一步点亮知识图谱上的跳转路径。3 跳走完。每跳标出是 EXTRACTED（源码里直接找到的），还是 INFERRED（推理出来的）。

---

三遍扫描：AST 白干，LLM 只干语义活

Graphify 的设计思路：不浪费 LLM 调用。代码分析能用确定性算法解决，绝不动模型。

第一遍：AST 提取（本地，零 LLM）

tree-sitter 解析大概 40 种语言。类、函数、import、继承、调用链，全从语法树里抠出来。这一步完全不联网。代码不离开本机。0 token 消耗。

第二遍：语义提取（LLM，只对文档/图片/视频）

PDF、Word、Markdown、图片、视频/音频，走这一步。视频用 faster-whisper 本地转录，不调 API。只有文档和图片的语义理解要模型。用的是你 AI 助手当前会话的模型，不用额外 API key。

能单独装扩展能力：

 uv tool install "graphifyy[pdf]"      # PDF 提取 uv tool install "graphifyy[video]"    # 视频/音频转录 uv tool install "graphifyy[office]"   # .docx / .xlsx uv tool install "graphifyy[sql]"      # SQL schema 提取

第三遍：图谱组装

两遍提取的结果，合入一张 NetworkX 图。Leiden 社区检测自动分簇。有意思的是，分出的模块边界，经常和目录结构对不上。等于给代码库找到一套「实际架构」。不是「目录架构」。

PageRank 和 betweenness centrality 找出「上帝节点」。整个系统里连接度最高的概念，一切数据流都经过它们。还有「意外关联」。不同模块之间八竿子打不着的两个东西，图告诉你，它们其实有桥。

---

设计哲学：不要向量库，要真图

Graphify 做了个和主流相反的选择：不用向量数据库，不用 embedding。

现在大多数代码库 RAG 方案，是 embed 所有文件。查的时候做语义相似度匹配。Graphify 觉得，这条路对代码库不划算。代码里的关系是显式的：import 语句、函数调用、类继承。这些不用拿余弦相似度来猜。把关系全部预计算，存成图。查的时候直接遍历。比每次现场读源文件，省 71.5 倍 token。

每条边都带置信度标签：

• EXTRACTED

  （置信度 1.0）：源码里显式存在，AST 掏出来的

• INFERRED

  （0.4–0.9）：模型推理出来的关联

• AMBIGUOUS

  （0.1–0.3）：不确定，需要人看一眼

这个设计，让 AI agent 能区分「我找到了」和「我猜的」。用作者的话说：「An honest graph — every claim about your code annotated with how we know it.」

对比数据也很直观。在 LOCOMO 基准（300 个代码理解问题）上，Graphify 的 recall@10 是 0.497。mem0 只有 0.048。supermemory 0.149。差距 10 倍。LongMemEval-S 的问答准确率 76%。跟密集 RAG 打平。但 token 消耗只是它的零头。

---

Skill 怎么组成的

Graphify 不是黑盒。拆开看，它是一组松耦合模块的管道：

 detect() → extract() → build_graph() → cluster() → analyze() → report() → export()

每一步都是纯函数。没有共享状态。一个环节挂了，不影响其他。

模块拆解：

模块	做什么	技术栈
detect	扫描目录，识别文件类型，合并 .gitignore + .graphifyignore	Python pathlib
extract （左轨）	AST 解析代码，提取实体和关系	tree-sitter，~40 种语法
extract （右轨）	语义理解文档/图片/视频	LLM 子 agent 并行，faster-whisper
build_graph	合并两边结果，去重，建 NetworkX 图	NetworkX
cluster	Leiden 社区检测，给子系统贴标签	igraph + Leiden 算法
analyze	PageRank、betweenness centrality、意外关联排名	NetworkX
report	生成 GRAPH_REPORT.md + graph.html	Jinja2 + D3.js
export	输出 graph.json，后续查询全用这个	JSON

AI 助手集成层：

Graphify 不是只生成一张图。它通过 hook，让 AI 助手把「读文件之前先查图」变成默认行为：

• Claude Code / Gemini CLI

  ：PreToolUse hook，在 grep/Read 调用前拦截，先跑 graphify query

• Codex / OpenCode / Cursor

  ：写入 AGENTS.md 或 .cursor/rules，始终在线

• CodeBuddy / Kilo Code

  ：原生插件 + hook

• MCP 服务器

  ：python -m graphify.serve graph.json 暴露 query_graph、shortest_path、get_neighbors 等结构化工具，任何支持 MCP 的客户端都能调用

Hook 分两档。默认是软提示（nudge）。建议查图，但不强制。strict 模式，直接拦截第一次原始文件读取，强制走图。之后恢复软提示。一个会话最多拦一次。

---

越用越深：PR 仪表盘、合并冲突预测、企业版

基础功能之外，Graphify 还有几个进阶用法：

PR 仪表盘。graphify prs 列出所有 PR 的 CI 状态、审查进度、影响范围。graphify prs --triage 用 AI 给审查队列排优先级。graphify prs --conflicts 最实用。它找共享同一图谱社区的 PR，标记合并冲突风险。两个 PR 改同一个模块的不同文件，git 不报冲突。但逻辑上打架。图能看见。

合并图谱。graphify merge-graphs a.json b.json，把两个项目的图拼一起。对 monorepo，或者跨仓库依赖分析有用。

企业版。 Graphify Labs 在开源版之上提供：形式化验证（prove-or-counterexample 检查代码变更）、本地/私有云部署（代码不出基础设施）、审计日志（tamper-evident）、SSO/RBAC。给需要合规的团队。

自动更新。graphify hook install 装一个 git post-commit hook。每次提交，自动增量重建图谱。只跑 AST，不花 API 钱。团队里一个人跑 /graphify .，把 graphify-out/ 提交进仓库。其他人 pull 下来，直接用。

---

从 grep 到查图

Graphify 在解决一个很具体的问题：AI 写代码时，对代码库的理解成本。不是让它更聪明。是让它不用每次都从头读。

技术上，它用确定性算法（tree-sitter AST）包办代码分析的苦力活。把 LLM 留给它真正擅长的：理解文档、图片、视频里的语义。经济上，图谱建好之后，每次查询省 71.5 倍 token。对大项目，边际成本趋近于零。

但它的设计选择更有意思。不用向量库，用真图。每一条边标注置信度。模块间纯函数管道，不共享状态。这些选择加起来，做出一个「知道自己在对什么、在猜什么」的系统。AI 幻觉还没根治。能区分确定和猜测，比全都拍胸脯靠谱。

如果你的项目超过 1 万行代码，多人协作，文档分散在各个角落。值得花 30 秒装一个试试。