Graphify-Labs/graphify

Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.

Graphify – 将代码库转换为可搜索的知识图谱

是什么 – Graphify 是一个基于 Python 的 CLI，可解析项目（源代码、文档、PDF、图像、视频/音频）并构建其发现概念的 知识图谱。图谱以 graph.json 存储，并以交互式 graph.html 可视化。随后，您可以使用 LLM 驱动的编码助手（Claude、Copilot、Cursor、Gemini 等）通过查询该图谱而非 grep 文件来回答问题、追踪连接或解释符号。

核心理念

无 LLM 的代码解析 – 使用 Tree-sitter AST 支持约 40 种语言，因此不会创建嵌入或向量存储，且数据不会离开您的机器。
显式 vs 推断边 – 每个链接都标记为 EXTRACTED（直接从源码读取）或 INFERRED（由 Graphify 的解析器推导），让您清楚了解哪些是原始代码，哪些是推断内容。
超越代码 – 可添加文档、PDF、图像和视频/音频；其语义分析由您配置的 LLM（OpenAI、Anthropic、Gemini、Ollama 等）执行。
本地优先 – 仅可选的语义分析会调用外部模型；重头工作（AST 提取、社区检测、图谱构建）完全在您的计算机上运行。
丰富查询 – graphify query "<问题>"、graphify explain "<符号>" 和 graphify path A B 可让您检索子图、获取节点的简洁解释，或查看两个概念之间的最短连接路径。

快速开始（约 30 秒）

# 安装 CLI（推荐使用隔离工具）
uv tool install graphifyy   # 或：pipx install graphifyy

# 将技能注册到您的编码助手
graphify install

现在打开任何支持的助手并输入：

/graphify .

graphify-out/ 中将出现三个文件：

graph.html – 可在浏览器中打开的交互式可视化图谱。
GRAPH_REPORT.md – 高级摘要、关键概念和建议问题。
graph.json – 用于自定义查询的完整机器可读图谱。

主要功能

功能	你将获得
上帝节点	连接最多的概念 – 代码库的“枢纽”。
社区	自动 Leiden 聚类，将相关子系统分组，无需 LLM 标注。
跨文件链接	通过 Tree-sitter 在多种语言中解析 `calls`、`imports`、`inherits`、`mixes_in`。
理由节点	`# NOTE:` / `# WHY:` 注释和 ADR/RFC 引用成为与代码链接的一等节点。
多媒体	文档、PDF、图像、视频/音频可加入同一图谱（需适当可选扩展）。
本地优先解析	无嵌入、无向量存储；仅非代码资产需要可选 LLM 调用。
查询语言	自然语言问题（`graphify query`）、路径追踪（`graphify path A B`）或节点解释（`graphify explain`）。

安装详情

步骤	命令	说明
包	`uv tool install graphifyy`（或 `pipx install graphifyy`）	PyPI 名为 `graphifyy`（双 y）。
技能注册	`graphify install [--platform <assistant>] [--project]`	写入每个助手读取的微型技能文件。使用 `--project` 可将技能限制在当前项目内。
可选扩展	`uv tool install "graphifyy[pdf]"`、`... [neo4j]`、`... [all]` 等	添加 PDF 提取、Neo4j 推送、视频转录、语言特定解析器等。
前置条件	Python 3.10+，`uv`（推荐）或 `pipx`。	macOS: `brew install python@3.12 uv`；Windows: `winget install astral-sh.uv`；Linux: 通过 apt 或 curl 脚本安装。

内部工作原理

AST 提取 – Tree-sitter 解析每个源文件，生成确定性的抽象语法树。
边创建 – 显式关系（导入、调用、继承）成为 EXTRACTED 边。Graphify 进一步解析额外连接（如类使用的函数），并标记为 INFERRED。
社区检测 – （可选）Leiden 算法将节点分组为子系统。
非代码语义分析 – 若启用 PDF、视频或办公扩展，所选 LLM 处理这些文件并添加与周围代码链接的概念节点。
导出 – 完整图谱保存为 JSON；基于 D3 的 HTML 查看器进行交互式渲染。

基准测试（仓库中报告）

LOCOMO（300 个查询）上的 Recall@10：0.497，远高于 mem0（0.048）和 supermemory（0.149）。
LOCOMO 上的 QA 准确率：45.3%（supermemory 49.7%，mem0 27.3%）。
LongMemEval-S（50 个查询）QA 准确率：76%（与密集 RAG 方法并列）。
图谱构建的 LLM 信用：0 – 核心图谱构建从不调用 LLM。

生态系统与集成

支持的助手 – Claude Code、Cursor、GitHub Copilot CLI、VS Code Copilot Chat、CodeBuddy、Kilo、Aider、OpenClaw、Factory Droid、Trae、Gemini CLI、Hermes、Kimi、Amp、Google Antigravity，以及任何读取通用 ~/.agents/skills/ 位置的框架。
语义分析后端 – OpenAI、Anthropic、Gemini、Azure OpenAI、Ollama、Bedrock 等（通过 --backend 和相应扩展选择）。
图谱输出目标 – 将图谱推送到 Neo4j 或 FalkorDB，或导出为 SVG。
钩子 – graphify hook install 添加 Git post-commit 钩子，记录解释器路径，确保技能在 CI 或 GUI Git 客户端中正常工作。

你可能不需要它的情况

如果你只需要简单的关键词搜索（grep）或传统的向量存储 RAG 流水线，Graphify 的图谱中心方法可能过于复杂。
PDF/图像/视频的语义分析需要外部 LLM API 密钥；没有它，你只能获得仅含代码的图谱。

TL;DR

Graphify 让你将任何项目转换为确定性、本地生成的知识图谱，你的 AI 编码助手可以查询它，而不是扫描原始文件。它快速、代码部分可离线运行，并与大多数现代 AI 辅助开发工具集成。