safishamsi/graphify

⭐ 45,847  ·  Python  ·  GitHub 仓库

AI编码助手技能（支持Claude Code、Codex、OpenCode、Cursor、Gemini CLI等）。将任意代码文件夹、SQL模式、R脚本、Shell脚本、文档、论文、图片或视频转化为可查询的知识图谱。应用代码、数据库模式与基础设施整合于单一图谱中。

antigravity claude-code codex gemini graphrag knowledge-graph leiden openclaw

一句话总结

Graphify能将任意文件夹转化为可查询的知识图谱，将LLM Token成本降低71.5倍。

🔥 核心能力与独特卖点

• 多模态知识图谱构建：将代码（AST/tree-sitter）、SQL模式、PDF、图片和白板照片统一整合到单一图谱中。解决了混合格式代码库与文档中知识碎片化的痛点。
• 71.5倍Token缩减：通过构建持久化图谱，查询图谱比重新读取原始文件使用的Token数量大幅减少。这是核心卖点——直接降低AI编程助手的成本和延迟。
• 透明化边标记：每条关系都会被标记为EXTRACTED（已提取）、INFERRED（推断得出）或AMBIGUOUS（存疑）。你始终清楚连接关系是来自源代码还是LLM的猜测，彻底消除"黑箱"信任问题。
• 自动同步与Git集成：--watch模式可在文件变更时实时重建图谱。graphify hook install命令可添加post-commit Git钩子，让你的知识图谱始终自动保持最新，无需任何手动操作。
• 丰富的导出生态：支持导出为交互式HTML、Obsidian库、维基百科风格Wiki、SVG、GraphML（Gephi/yEd）、Neo4j Cypher和MCP stdio服务器——使图谱可在可视化、分析和智能体工作流中灵活使用。

技术架构

组件	技术	作用
图谱引擎	NetworkX	内存中的图谱表示与遍历
聚类	Leiden（通过graspologic）	图谱结构的社区检测
代码解析	tree-sitter	基于AST的代码概念与关系提取
LLM提取	Claude（Anthropic）	从文档、图片、PDF中提取概念与关系
可视化	vis.js	交互式HTML图谱渲染
缓存	SHA256	仅重新处理变更过的文件
存储	本地文件系统	无需Neo4j或服务器依赖；完全本地运行

架构亮点：完全本地运行，零外部基础设施依赖。--update标志可将新的提取内容合并到现有图谱中，无需从头重建，支持增量式增长。

快速入门指南

# 安装（注意：由于命名冲突，PyPI名称为graphifyy）
pip install graphifyy && graphify install

# 在当前目录运行
/graphify .

# 在特定文件夹上运行，启用深度推理
/graphify ./raw --mode deep

# 仅重新提取变更文件，合并到现有图谱
/graphify ./raw --update

# 获取论文并更新图谱
/graphify add https://arxiv.org/abs/1706.03762

# 查询图谱
/graphify query "attention与optimizer之间有什么联系？"
/graphify path "DigestAuth" "Response"
/graphify explain "SwinTransformer"

# 文件变更时自动同步
/graphify ./raw --watch

# 导出为多种格式
/graphify ./raw --wiki
/graphify ./raw --svg
/graphify ./raw --graphml
/graphify ./raw --neo4j
/graphify ./raw --mcp

# 安装post-commit Git钩子
graphify hook install

优势、劣势与使用场景

优势

• 大幅降低Token消耗（71.5倍），直接降低AI编程助手用户的使用成本。
• 完全本地化——无需Neo4j、无需云依赖、数据不会离开你的机器。
• 透明化提取，通过边标记建立对知识图谱的信任。
• 多模态支持（代码、文档、图片、PDF），覆盖真实世界的异构代码仓库。
• 丰富的导出格式，可与现有工具（Obsidian、Gephi、Neo4j、MCP）集成。

劣势

• **需要Python 3.10+**和Claude Code进行LLM提取——并非独立工具。
• LLM提取延迟：处理大型语料库中的文档/图片时，初始图谱构建可能较慢。
• PyPI命名冲突：安装命令为pip install graphifyy而非graphify。
• 无内置向量搜索——查询依赖图谱遍历，而非语义相似度。

谁不适合使用？

• 处理小型、单一语言代码库的开发者——对于已能手动导航的项目，图谱构建的开销得不偿失。
• 无法访问Claude Code的团队——LLM提取是核心功能；没有它，将失去文档/图片支持和推理能力。
• 需要实时协作图谱的用户——Graphify是本地单用户工具，无多用户或服务器模式。
• 需要严格气隙环境运行的项目——虽然工具本地运行，但Claude Code需要API访问才能使用LLM功能。

理想使用场景

• 大型、混合格式的代码仓库（代码+SQL+文档+图片），手动导航非常痛苦。
• AI编程助手工作流（Claude Code、Codex、Cursor、Gemini CLI），Token成本是关注重点。
• 研究型代码库，包含论文、白板照片和实验脚本，需要建立关联。
• 遗留系统入门——快速构建无文档代码和基础设施的可查询地图。
• 持续集成管道——使用Git钩子让知识图谱随每次提交保持实时同步。

社区与活跃度

拥有 45,847颗星，Graphify显然在开发者社区中引起了强烈共鸣。这绝非小众实验——对于任何在复杂项目中使用AI编程助手的人来说，它都是一款被迅速采纳的工具。项目最近更新于 2026年5月10日，表明维护活跃且维护者响应迅速。其涵盖的广泛主题（反重力、claude-code、codex、gemini、graphrag、知识图谱、leiden、openclaw、rag、技能、tree-sitter）显示，该项目着眼于整个生态系统，而非单一用例。如果你正在构建智能体工作流或管理异构代码库，这是一个值得关注并参与贡献的项目。