graphify Vibe 项目

graphify 是一款专为 Claude Code 设计的技能（skill），通过将任意代码库、文档、SQL schema、配置文件和 PDF 转化为可查询的知识图谱，帮助开发者和 AI 智能体在大型代码库中发现隐藏的结构和意想不到的关联，实现 71.5 倍的 token 节省。

核心功能

1. 多模态知识抽取：支持代码（通过 tree-sitter AST 解析提取函数调用关系）、文档（Markdown、纯文本）、PDF 论文（提取引用和概念）、图片（Claude 视觉识别截图、图表和白板照片）等多种输入格式，统一转化为知识图谱节点和边。
2. 71.5 倍 Token 节省：在一项包含 Karpathy 多个代码仓库、5 篇论文和 4 张图片的混合测试中，每次查询只需消耗原始文件读取 1/71.5 的 token，大型代码库和长文档的对话成本显著降低。
3. 持久化跨会话记忆：生成的 graph.json 保存在本地，重新启动后无需重新解析即可直接查询历史图谱，weeks later 仍能回答之前发现的问题，而非重新阅读整个代码库。
4. 自动同步（--watch 模式）：在后台运行时，代码文件保存触发即时重建（纯 AST，无需 LLM），文档和图片变更时通知运行 --update 进行 LLM 重扫描，适合多 Agent 并行写代码的工作流。
5. Git 提交钩子：通过 graphify hook install 安装 post-commit 钩子，每次 git commit 后自动重建图谱，无需后台进程，常驻编辑器即可保持图谱最新。
6. 可导出多格式：输出为 vis.js 交互式 HTML 图谱、Obsidian vault 格式、Wikipedia 风格 Agent 可读的 Markdown wiki、GraphML（Gephi/yEd）、Neo4j Cypher 等多种格式。

技术实现

graphify 技术栈为 Python（NetworkX + tree-sitter 解析 + Leiden 社区检测算法 via graspologic）配合 Claude 视觉和多模态能力，核心在本地运行无需 Neo4j 或外部数据库。输入文件通过 SHA256 缓存，只对变化文件重新处理，已处理过的文件跳过 LLM 调用节省 token。AST 解析使用 tree-sitter 对 15 种编程语言提取函数和调用关系边，文档和 PDF 则由 Claude 提取概念和关系边，每条边标注 EXTRACTED（直接从文本提取）、INFERRED（AI 推理）或 AMBIGUOUS（不确定）三种置信度，让用户始终了解哪些是事实哪些是猜测。Claude 视觉模型负责从截图中提取 UI 元素和布局信息，从白板照片中提取架构图结构，实现真正的多模态图谱构建。

快速上手

1. 安装：确保已安装 Claude Code 和 Python 3.10+，执行 pip install graphifyy && graphify install（注意 PyPI 包名为 graphifyy），或手动 curl 安装 SKILL.md 到 ~/.claude/skills/graphify/SKILL.md。
2. 运行：在任何目录下启动 Claude Code，输入 /graphify . 即可对该目录建立知识图谱；指定子目录 /graphify ./raw，使用深度模式 /graphify ./raw --mode deep。
3. 查询和更新：使用 /graphify query "问题" 进行自然语言问答，/graphify path "节点A" "节点B" 查找两节点间的路径，/graphify ./raw --update 增量更新变化的文件。

适用人群

适合在大型代码库上工作、需要 AI 辅助理解代码结构和依赖关系的开发者，以及需要处理大量技术文档、论文和笔记的知识工作者。Andrej Karpathy 风格的"将论文、推文截图和笔记扔进文件夹"的用户可以用 graphify 将这些碎片组织成可查询的知识网络，研究人员可以用它分析多个相关论文之间的引用关系，团队可以用它建立项目知识库并在人员变动时保持连续性。