graphify：把任意代码库变成可查询的知识图谱，供 Claude Code 使用

Compound Engineering：编排 Claude 代码、Codex • Orca：并行运行 Claude Code、Codex 与 Cursor 的智能体开发环境（ADE）

graphify 是什么？ #

graphify 回答了每个AI编码智能体迟早会遇到的一个问题：代码库一旦变大，每次prompt都靠grep和重新读文件会变得又慢又容易漏东西。graphify的解法是一次性给整个项目——代码、文档、SQL schema、配置、PDF、图片甚至视频——建一个知识图谱，让智能体去查询这个图谱，而不是每次都重新读一遍所有文件。

🔗 GitHub：https://github.com/Graphify-Labs/graphify 🌐 官网：https://www.graphify.com

由 Graphify Labs（YC S26批次）打造，2026年4月首次推送，到2026年7月底已达到9.77万以上GitHub star——是今年增长最快的开发者工具之一，而且GitHub自己的trending页面一度只显示约8590星，跟API核实的真实数字差了近10倍。

有三点项目自己特别强调：

• 代码解析完全在本地完成——tree-sitter AST解析，确定性，不调用LLM，什么都不会离开你的机器。只有对文档/PDF/多媒体做可选的语义处理时才会调用后端模型。
• 每条边都有标签：EXTRACTED(源码里明确的)或INFERRED(graphify推导出的)，让你分清哪些确定、哪些是推断。
• 不是向量索引——没有embedding，没有向量库。是一个真正可以遍历、可以追溯路径、可以问"什么连接到什么"的图。

30秒上手（按项目自己的说法） #

uv tool install graphifyy      # 安装CLI(或用 pipx install graphifyy)
graphify install               # 把这个技能注册到你的AI助手

然后在你的AI助手里：

/graphify .

就这样。你会得到三个文件：

graphify-out/
├── graph.html       在任意浏览器打开——点击节点、筛选、搜索
├── GRAPH_REPORT.md  核心概念、意外的关联、建议的问题
└── graph.json       完整的图——随时查询，不用重新读文件

支持 Claude Code、Cursor、Codex、Gemini CLI、GitHub Copilot 等15+种助手。

命名提醒：PyPI包名是graphifyy(双y)——CLI命令本身还是graphify。项目明确提醒其他叫graphify*的PyPI包跟本项目无关。

查询这个图谱 #

图建好之后，你用提问代替读文件：

graphify explain "APIRouter"
graphify path "FastAPI" "ModelField"
graphify query "what connects auth to the database?"

项目自己在FastAPI代码库上跑的示例：返回一个节点带它的源码位置、所属社区、连接数，每条连接都标注EXTRACTED或INFERRED；还有两个具体类之间的3跳路径，逐跳展示。

它能做什么 #

常用命令 #

/graphify .                        # 为当前目录建图
/graphify ./docs --update          # 只重新提取有变化的文件
/graphify . --cluster-only         # 不重新提取，只重跑聚类
/graphify . --wiki                 # 从图生成一份markdown wiki

/graphify query "what connects auth to the database?"
/graphify path "UserService" "DatabasePool"
/graphify explain "RateLimiter"

/graphify add https://arxiv.org/abs/1706.03762   # 抓取一篇论文加进图里

graphify hook install              # 每次git commit自动重建图
graphify prs --triage              # AI根据图给PR审查队列排序
graphify prs --conflicts           # 标出共享图社区的PR——合并顺序风险

Benchmark（项目自己发布的结果） #

项目声称所有系统跑在同一套测试框架、同一个模型、同一个预算上，由LLM裁判评分并用第二个裁判交叉验证(90.6%一致率，Cohen’s kappa 0.81)。完整方法论和复现命令见项目自己的BENCHMARKS.md——这些数字是自报的，本文未独立复现。

安装 #

需要 Python 3.10+。

# macOS (Homebrew)
brew install python@3.12 uv

# Ubuntu/Debian
sudo apt install python3.12 python3-pip pipx

# Windows
winget install astral-sh.uv

然后安装包本身：

uv tool install graphifyy
graphify install

忽略文件 #

graphify自动遵守.gitignore，也可以合并一个可选的.graphifyignore(同样的语法，支持!取反)，规则是永远只会排除更多，不会重新纳入.gitignore已经排除的文件：

# .graphifyignore
node_modules/
dist/
*.generated.py

# 只索引src/，其余全部忽略
*
!src/
!src/**

使用场景 #

1. 让AI智能体快速熟悉陌生代码库 #

在大型仓库上跑一次/graphify .，之后agent查graph.json了解结构，而不是在整个会话里反复重读文件。

2. 追溯两个系统之间的连接 #

graphify path "ModuleA" "ModuleB"给出明确的逐跳链条，不用手动追import。

3. 审查PR合并顺序风险 #

graphify prs --conflicts标出触碰同一图社区的开放PR，提前发现可能的合并冲突。

4. 从代码库本身生成文档 #

/graphify . --wiki直接从提取的图生成markdown wiki，而不是让手写文档慢慢跟代码脱节。

相关仓库 #

相关文章 #

• Compound Engineering：编排 Claude 代码、Codex —— 另一种基于技能来组织AI编码工作流的方式
• Orca：并行运行 Claude Code、Codex 与 Cursor 的智能体开发环境（ADE） —— AI编码基础设施的另一个层面(编排 vs 代码库理解)

结语 #

graphify 把"AI是否真的理解这个代码库"当成一个图问题而不是搜索问题来解决——本地、确定性的tree-sitter解析，喂给一个真正可遍历的图，每条边都标注确定程度。四个月内接近10万星，加上GitHub trending页面一度把它低估了近10倍，都说明这种做法相比普通RAG/向量搜索确实有真实、快速增长的需求。

最适合谁：在大型或不熟悉的代码库里用AI编码助手工作的开发者，希望助手查询一份结构化的项目地图，而不是反复重读文件。

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

自建部署推荐基础设施 #

如果你的团队想跑一个团队共享的图服务(通过HTTP)，而不是每个开发者本地各跑一份：

• DigitalOcean —— 覆盖14个以上全球区域，60天200美元免费额度，适合搭建团队共享的图谱服务器。
• HTStack —— 香港VPS，从中国大陆访问延迟低。这正是dibi8.com所在的机房，经过生产环境实战验证。

以上为联盟链接——不会让你多花一分钱，但能帮助dibi8.com持续运营。

最后更新：2026-07-29

参考与来源 #

• graphify
• graphify 官网
• graphify benchmarks
• Claude Code
• tree-sitter