Graphify Skill：一键把代码库变知识图谱，71.5x token 压缩率

Graphify Skill：一键把代码库变知识图谱，71.5x token 压缩率

把整个代码库扔给 AI 助手，最怕的不是它看不懂，而是每次都要重复塞上下文。Graphify 解决的就是这个问题——它用 AST 解析把代码库转化成一个可查询的知识图谱，让 AI “记住”代码结构，下次直接问、不用重新读。截至 2026-07-30，Graphify 在 GitHub 已有 98,448 颗星，妥妥的 trending 级爆款。

功能与原则

Graphify 本质是一个 Claude Code Skill（/graphify），运行后自动解析当前目录，输出结构化知识图谱。其设计原则：

• 确定性优先：不用向量相似度，用 AST 解析 + tree-sitter 提取真实的代码调用关系
• 全模态支持：代码、PDF、Markdown、截图、图表、白板照片，Claude Vision 全部吞得下
• 持久化图谱：生成 graph.json 保存图结构，数周后还能直接查询，无需重新跑整个解析流程
• 透明度：每条边都打标签 EXTRACTED（从代码实际提取）/ INFERRED（AI 推断）/ AMBIGUOUS（存疑），绝不糊弄用户

认可度

• GitHub Star：98,448（截至 2026-07-30），Fork 9,552
• 2026-04-03 创建，两个多月从 0 飙到近 10 万星，GitHub Trending 常驻项目
• 曾入选 GitHub Trending 日榜，社交媒体（X/Hacker News）讨论度高
• PyPI 包名 graphifyy（graphify 名字待认领中），pip 安装量持续攀升

链接

GitHub：https://github.com/Graphify-Labs/graphify

原作者

safishamsi（GitHub Profile），独立开发者，项目主页 graphify.com。

介绍

Graphify 的核心思路来自 Andrej Karpathy 的一个习惯——他有一个 /raw 文件夹，里面塞满论文、推文截图和笔记，随取随用。Graphify 相当于把这个流程自动化：输入任意文件夹（代码、文档、图片均可），输出一个可交互的知识图谱。

运行 /graphify . 后，Graphify 会：

1. 用 tree-sitter 解析代码的 AST，构建真实的函数调用关系图
2. 用 Claude Vision 理解截图、图表、白板照片中的概念和关系
3. 用 Leiden 算法做社区检测，识别高聚合的代码模块
4. 生成交互式 HTML 图谱 + Obsidian 知识库格式 + Wiki 风格的 agent 可读文档

图谱的输出结构如下：

graphify-out/
├── graph.html      # 可交互图谱——点击节点、搜索、按社区过滤
├── obsidian/       # 可直接当 Obsidian 知识库打开
├── wiki/           # Wikipedia 风格文章，适合 AI agent 导航
├── GRAPH_REPORT.md # 神级节点（god nodes）、意外连接、推荐问题
├── graph.json      # 持久化图谱——数周后直接 query，不用重跑
└── cache/          # SHA256 缓存——只重跑变更文件

特点

• AST + tree-sitter 解析：不依赖向量搜索，用真实的代码结构建图，每条边都有迹可循
• 71.5x token 压缩率：在 Karpathy repos + 论文 + 图片的混合语料上，单次查询 token 消耗是直接读原文件的 1/71.5
• 多格式导出：SVG、GraphML（支持 Gephi/yEd）、Neo4j Cypher，甚至可以导出成 Obsidian vault
• 自动追踪：自带 --watch 模式，代码文件保存即时重建图谱，文档变更主动通知用户运行 --update
• Git Hook 集成：graphify hook install 装一个 post-commit hook，每次 git commit 自动重建图谱，无需后台常驻进程
• Wiki 导出：--wiki 模式生成 Wikipedia 风格的文章目录，agent 可以通过读文件而非解析 JSON 来导航知识库
• 增量更新：--update 只处理变更文件，merge 进已有图谱，避免全量重跑

使用方法

安装（一行命令）：

pip install graphifyy && graphify install

基本调用：

# 在任意目录下运行
/graphify .

# 指定文件夹
/graphify ./raw

# 深度模式——更激进的推断边提取
/graphify ./raw --mode deep

# 增量更新——只处理变更文件
/graphify ./raw --update

# 自动同步——代码变更即时重建
/graphify ./raw --watch

# 导出为 agent 可读的 Wiki 格式
/graphify ./raw --wiki

# 导出 SVG 图谱
/graphify ./raw --svg

查询已建立的图谱：

graphify query "what connects attention to the optimizer?"
graphify path "DigestAuth" "Response"
graphify explain "SwinTransformer"

添加外部资料（论文、推文）：

/graphify add https://arxiv.org/abs/1706.03762
/graphify add https://x.com/karpathy/status/...

使用场景与人群

适用场景：

• 大型代码库（>50 文件）的长期上下文管理——不需要每次都把整个仓库塞给 AI
• 论文 + 代码混合阅读——把 Transformer 论文和配套代码库一起建图，AI 可以直接回答”这篇论文的哪个部分对应代码的哪块实现”
• 技术债务分析——用 graphify path A B 追踪两个模块之间的调用路径
• AI Agent 记忆层——Wiki 导出模式让 agent 可以通过读文件导航知识库，而不是直接解析 JSON

目标用户：

• 长期使用 Claude Code / Cursor / Codex 的开发者
• 需要处理大量遗留代码的工程师（不愿每次从头解释项目结构）
• 研究人员（论文 + 代码联合阅读场景）
• AI Agent 框架开发者（把 Graphify 作为持久记忆层集成进自己的 agent 系统）

输入与输出案例

案例 1：Karpathy repos 混合语料

输入：Karpathy 的 5 个 repos（minGPT、makemore、cs231n 等）+ 5 篇论文 + 4 张截图，共 52 个文件

输出：生成了包含 71.5x token 压缩率的图谱，单次查询 token 消耗从 142K 降到约 2K。Graph Report 识别出 god nodes（高度中心化的核心概念）和 surprising connections（代码-论文之间的意外关联）。

案例 2：查询图谱而非重读代码

输入：graphify query "what modules handle attention mechanism?"

输出：Graphify 在已有图谱中检索，返回相关节点列表及连接路径，包括代码函数、论文引用和截图注释中提到 “attention” 的位置——无需重新解析 52 个文件。

Graphify 的本质是把”重新塞上下文”这件事从每次对话中彻底消除。对于高频使用 AI 编码助手的开发者来说，71.5x 的 token 压缩率和持久化图谱带来的效率提升，是真实可量化的生产力量级。

GitHub: https://github.com/Graphify-Labs/graphify