Graphify将代码库变成可查询知识图谱的 AI 编程助手技能 核心观点Graphify 是一个可集成到 AI 编程助手如 Claude Code、Cursor、Codex、Gemini CLI 等中的技能插件核心思路是将代码库乃至文档、PDF、图片、视频解析为知识图谱用图查询替代文件搜索从而让 AI 助手能真正理解整个项目的结构与关联。一句话总结/graphify .→ 你的项目变成一张可点击、可查询、可追踪的知识图谱。 关键信息1. 是什么特性说明类型AI 编程助手技能Skill/Plugin核心技术tree-sitter AST 解析 图结构非向量索引支持平台Claude Code、Cursor、Codex、Gemini CLI、GitHub Copilot 等 20 工具支持内容代码、SQL Schema、R 脚本、Shell 脚本、文档、PDF、图片、视频隐私保障代码解析完全本地tree-sitter不调用 LLM不上传数据2. 核心能力一览能力说明God Nodes核心节点找出连接最多的概念看清整个项目的枢纽社区划分Communities用 Leiden 算法自动划分子系统无需 LLM跨文件链接解析calls/imports/inherits/mixes_in支持约 40 种语言查询 / 路径 / 解释自然语言提问、追踪两个概念之间的路径、解释某个节点注释与设计文档节点化# NOTE:/# WHY:注释以及 ADR/RFC 引用成为图中的一等节点边的置信标签EXTRACTED源码中明确存在vsINFERREDgraphify 推断得出本地优先代码解析零 LLM 调用文档/媒体的语义处理才调用后端可选配置3. 输出产物三个文件graphify-out/ ├── graph.html # 浏览器可打开支持点击节点、过滤、搜索 ├── GRAPH_REPORT.md # 关键概念、异常连接、建议提问列表 └── graph.json # 完整图数据随时可查询无需重新解析4. 性能基准Benchmarks测试集指标graphify对比系统LOCOMO (n300)recall100.497mem0: 0.048supermemory: 0.149LOCOMO (n300)QA 准确率45.3%supermemory: 49.7%mem0: 27.3%LongMemEval-S (n50)QA 准确率76%与密集 RAG 持平图构建LLM 调用费用0大多数系统按 token 收费评测采用盲验证两位评审一致性 90.6%Cohens kappa 0.81可信度较高。 代码 / 示例快速上手30 秒# 1. 安装 CLI注意 PyPI 包名是 graphifyy双 y uv tool install graphifyy # 或pipx install graphifyy # 2. 注册到 AI 助手 graphify install # 3. 在 AI 助手中运行PowerShell 用 graphify . 不要加斜杠 /graphify .图构建后的查询操作# 解释某个节点 graphify explain APIRouter # 真实输出示例 # Node: APIRouter # Source: routing.py L2210 # Community: 2 # Degree: 47 # Connections (47): # -- RequestValidationError [uses] [INFERRED] # -- Dependant [uses] [INFERRED] # -- .get() [method] [EXTRACTED] # DefaultPlaceholder # ModelField ... # 自然语言查询返回子图 graphify query 如何处理请求验证错误 # 追踪两个概念之间的路径 graphify path APIRouter ModelField平台指定安装# 安装到当前项目而非用户全局 graphify install --project # 指定特定平台 graphify install --platform cursor graphify install --platform gemini graphify install --platform codex # 项目级 平台指定 graphify claude install --project graphify codex install --project系统要求# macOS (Homebrew) brew install python3.12 uv # Windows winget install astral-sh.uv # Ubuntu/Debian sudo apt install python3.12 python3-pip pipx # 或安装 uv: curl -LsSf https://astral.sh/uv/install.sh | sh 个人启发图比向量更可解释大多数 RAG 工具用 embedding 向量检索graphify 选择了真实图结构每条边都有标注EXTRACTED/INFERRED这种可解释性在大型代码库的 Debug 和架构梳理场景中非常有价值。本地优先是工程实践的正确取向代码解析完全离线tree-sitter只有文档/媒体的语义分析才可选地调用 API这对企业级用户或涉密项目极为友好也降低了使用门槛。技能化而非独立工具graphify 不做成独立 IDE而是以技能插件形式嵌入 Claude Code、Cursor 等开发者已有的工具链降低切换成本这是一种值得借鉴的产品策略。图查询 vs grepgraphify path A B直接告诉你两个模块如何关联这比反复 grep 文件、靠人脑串联上下文要高效得多尤其适合接手陌生大型项目时快速定位。 延伸思考知识图谱的时效性问题如何解决代码库持续演进graph.json会快速过期。graphify 是否支持增量更新只重新解析变更文件还是每次都需要全量重建这直接影响其在 CI/CD 流水线中的实用性。INFERRED 边的准确性边界在哪里tree-sitter 解析的EXTRACTED边是确定性的但INFERRED边依赖语义推断。在多态调用、动态语言Python/JS运行时绑定等场景下误推断率有多高是否会产生幻觉连接误导开发者知识图谱能否成为 AI 编程助手的长期记忆基础设施当前 AI 助手的上下文窗口有限graphify 的graph.json本质上是一种外部记忆。未来是否可以将图谱与 Agent 的规划模块深度结合让 AI 在多步骤任务中自主遍历图谱、动态补充上下文而非依赖人工/graphify触发