夜雨聆风
我之前的状态是这样的：
Cursor配了一套Cursor Rules，Claude Code装了一套Claude.md，Gemini CLI又要单独配置。一套还没配完，另一个工具又更新了。
来回折腾，一个下午没了。
直到上周我看到了 graphify——一个技能包，打通三个主流AI编程工具。
先说这东西是什么
graphify 是 GitHub 上一个开源项目（safishamsi/graphify），腾讯云社区上有详细介绍。
它的核心功能一句话：把你整个项目文件夹变成一张可查询的知识图谱。
你扔给它一个文件夹（代码、文档、图片、PDF都行），它先用 AST 解析器把代码结构无损耗地提取出来，再调用 AI 理解文档里的概念和设计意图，最后把所有信息编织成一张网——这张网里，每个函数、每个类、每篇文档都是一个节点，它们之间的关系（调用、继承、引用）全部被标注出来。
它的设计灵感来自 Andrej Karpathy 分享的个人知识库工作流——让 AI 从"逐文件线性搜索"进化为"图谱驱动的结构化导航"。
说人话就是：AI 不再是每次都把你的代码从头读一遍，而是能直接"看到"代码里的关系——哪个函数调用哪个、哪个模块依赖哪个。回答问题和改 bug 都准得多。
一个技能，三套工具都能用
这是 graphify 最让我心动的点。
它支持的 AI 编程助手包括：Claude Code、Cursor、Codex、OpenCode、Gemini CLI、OpenClaw。
不管你用的是哪一款，装完 graphify 之后，在 AI 对话框里输入一条命令：
/graphify .
它就会分析当前目录下的所有文件，构建知识图谱。生成的文件放在 graphify-out/ 目录下，每次增量更新，只重新提取变更的部分，已解析过的文件会做语义缓存，不重复消耗 token。
不用给每个工具单独写一套规则，不用在每个 IDE 里反复配置。一套 graphify，全部搞定。
安装过程：5分钟，真的够了
我来完整走一遍安装流程，Windows 实测。
第一步：装 graphify 本体
需要 Python 3.10 以上。用 uv 安装（推荐，自动处理路径问题）：
uv tool install graphifyy
注意：PyPI 上的包名是 graphifyy（两个 y），不是 graphify。
没有 uv 的话，用 pipx 也可以：pipx install graphifyy
第二步：装到你用的工具里
Claude Code（Windows）：graphify install --platform windows
Cursor：graphify cursor install —— 这条命令会在 .cursor/rules/graphify.mdc 下生成配置文件，Cursor 每次对话自动加载。
Gemini CLI：graphify install --platform gemini
OpenClaw：graphify install --platform openclaw
从打开终端到配置完成，5 分钟真的够了。
进阶用法：增量更新
装完之后，你可以用几条命令控制图谱行为：
• /graphify ./my-project —— 普通模式，分析指定目录
• /graphify ./raw --mode deep —— 深度模式，更激进地提取隐藏关系，发现更多模块间的隐藏关联
• /graphify ./raw --update —— 增量更新，只重新提取变更和新文件，合并到现有图谱，节省 token
• /graphify ./raw --cluster-only —— 只在现有图谱上重新运行聚类，不重新提取
实操中我最常用的是 --update——代码改了，直接增量跑，不用每次全量重扫。
几个坑，帮你避一下
⚠️ 包名是 graphifyy 不是 graphify：PyPI 上搜索"graphify"搜不到，要搜 graphifyy。这坑我自己跳了一次。
⚠️ Cursor 装完检查一下规则文件：装完后检查 .cursor/rules/ 目录下有没有 graphify.mdc，没有的话手动运行一次 graphify cursor install。
⚠️ 深度模式慎用大型项目：深度模式（--mode deep）会做更激进的推断，适合中型项目（几千到几万行），超大型项目（几十万行）建议先用普通模式，再用 --update 增量跑。
⚠️ Gemini CLI 兼容性：Gemini CLI 本身更新比较快，偶尔会遇到版本不兼容 graphify 的情况。遇到报错先去 GitHub 的 releases 页面看看是不是有新版本（v0.7.5 是最新）。
值不值得装？
我装了，用了一周，真实感受是：
对于中小型项目（几千行到几万行代码），graphify 的提升是明显的。 AI 回答"这段代码是干什么的"、"改这个函数会影响哪些地方"这类问题，明显比之前准。知识图谱让 AI 真正理解了代码结构，而不是在上下文里大海捞针。
对于大型项目，增量更新（--update）是省 token 的关键。省 token 就是省钱。
如果你只用一个 AI 编程工具，graphify 的价值在于让 AI 理解你的项目；如果你同时用多个工具，graphify 的价值在于让你不用给每个工具单独配一套规则——这一点对我来说是最实际的。
开源免费，GitHub 上有 500 多个 commits，最新版本 v0.7.5 刚更新了语义缓存和实体去重（MinHash/LSH + Jaro-Winkler 方案），项目维护得挺勤。
链接放下面了，装完记得说一声，这东西用起来比听起来简单多了。
— END —
