夜雨聆风AI 每次都从头啃整个代码库？给它装个「记忆层」，查询省 70 倍 token
让 Claude Code 回答「这个认证逻辑到底连到哪儿」，它的第一反应永远是：Glob 一遍、Grep 一遍，把半个项目重新读进上下文。
token 哗哗地烧，速度越问越慢。更要命的是——这一轮好不容易搞懂了，下一轮它又忘得一干二净。
有没有办法，让 AI 把代码库「记住一次，反复查」？
最近在 GitHub 上翻到一个 YC S26 团队的项目(文末附地址)，叫 graphify，定位特别直白：给你现在用的 AI 编码助手，补上它最缺的那块——一个**可查询、跨会话不忘的「记忆层」**。
用过 Claude Code、Codex 的朋友应该秒懂它的价值。今天就把它讲清楚，顺带带你三步上手。
一、先说痛点：AI 其实没有「记忆」
你有没有意识到，AI 编码助手是没有项目级长期记忆的。
每开一轮新对话、每问一个架构问题，它都得从零开始：重新 grep、重新读文件、重新在脑子里把整个结构拼一遍。
结果就是三件事同时发生：
- ●重复——同样的文件被一读再读；
- ●烧钱——上下文越塞越满，token 唰唰涨；
- ●健忘——这轮的理解，下轮基本清零。
Karpathy 有个习惯：维护一个 /raw 文件夹，把论文、推文、截图、笔记一股脑往里丢。问题来了——这么一大堆原始资料堆在那儿，AI 每次想用都得重新啃一遍。graphify 解决的正是这类「资料越堆越多、AI 越查越累」的窘境。
有没有「记忆层」，AI 干同一件事的两种活法
二、graphify 是什么：一个 /graphify 命令
它不是又一个要你注册登录的网页工具，而是**直接挂进你 AI 编码助手里的一个技能（skill）**。
支持 Claude Code、Codex、CodeBuddy、OpenCode、Trae 等一票主流编码助手。装好后，你只要输入：
/graphify .它就会干三件事：读取你的文件 → 构建一张知识图谱 → 把原本藏在文件之间、肉眼看不见的结构关系，还给你。
最关键的一点：这张图是持久化的。建好一次，几周后还能直接查，不用再去重读原始文件。
三、它凭什么省 70 倍 token
graphify 跑一次分两轮，分工很聪明：
- ●第一轮，纯本地、不花 LLM：用 AST 对代码做结构分析——类、函数、导入、调用图、注释里的「为什么」，全部本地解析出来。
- ●第二轮，并行调用 Claude 子代理：处理文档、论文、图片，从里面抽概念、关系和设计动机。
两边结果合并成一张 NetworkX 图，再用 Leiden 算法做社区聚类，导出成可交互 HTML、可查询 JSON 和一份人话报告。
注意一个反直觉的细节：它的聚类靠图的拓扑结构，不靠 embedding——不需要向量数据库，也省掉了一整套向量化流程。
两轮提取，最后并成一张可查询的图
省 token 的关键就在这里：图建好之后，查询直接读压缩过的图谱，而不是把原始文件一股脑塞回上下文。
官方用一组混合语料（52 个文件：代码 + 5 篇论文 + 4 张图片）实测，每次查询的 token 消耗，比直接读原文件少 70 倍。而且配了 SHA256 缓存，重复运行时只处理改动过的文件。
一句话：第一次建图要花点 token，之后每次查询都在「吃老本」，省得越来越多。
四、它还是「全模态」的
graphify 不挑食。代码、PDF、Markdown、截图、流程图、白板照片，甚至其他语言的图片，都能进同一张图——图片靠 Claude vision 提取概念和关系。
更让人安心的是它的「诚实」：每一条关系都会被打上标签——
- ●
EXTRACTED：在源材料里实打实找到的（置信度恒为 1.0）； - ●
INFERRED：模型合理推断的，附一个 0~1 的置信度分数； - ●
AMBIGUOUS：有歧义，提醒你复核。
所以你始终分得清：哪些是真发现，哪些只是模型的猜测——这在「AI 一本正经胡说」满天飞的当下，相当难得。
五、三步上手
第一步，安装（需要 Python 3.10+）：
pip install graphifyy && graphify install小坑提醒：PyPI 上的包名现在暂时叫
graphifyy（多一个 y），因为graphify这个名字还在回收中；但命令本身仍然是graphify。
第二步，建图。打开你的 AI 编码助手，输入：
/graphify .第三步，看产出。跑完后项目里会多出一个 graphify-out/ 目录：
graphify-out/├── graph.html 可交互图谱：点节点、搜索、按社区过滤├── GRAPH_REPORT.md 一页纸总结：god nodes、意外连接、建议提问├── graph.json 持久化图谱，数周后仍可直接查└── cache/ SHA256 缓存，重复运行只处理变更文件那份 GRAPH_REPORT.md 尤其值得先读：它会告诉你整个系统里度最高的几个核心概念（god nodes）、几条意外的跨文件连接，还会主动列出「这张图特别擅长回答的 4~5 个问题」。
六、进阶：让 AI「先看图，再干活」
光建好图还不够——关键是让助手默认优先用它，而不是一上来还是 grep 整个项目。
在项目里跑一次：
graphify claude install 或 graphify codex install它会做两件事：
- 1.往
CLAUDE.md写一条规则：回答架构问题前，先读graphify-out/GRAPH_REPORT.md； - 2.装一个 PreToolUse hook：每次
Glob/Grep之前自动提示——「图谱已存在，先看 GRAPH_REPORT.md 里的 god nodes 和社区结构，别急着翻原始文件」。
效果就是：Claude 不再无头苍蝇式地搜，而是先拿到一张地图，按结构导航。
常驻 hook：Grep 之前，先递给 AI 一张地图
如果想更精确地查，还有三个命令逐跳遍历底层 graph.json：
/graphify query "什么把 attention 和 optimizer 连起来了？"/graphify path "DigestAuth""Response"/graphify explain "SwinTransformer"它们会追踪节点之间的精确路径，连边级别的细节都给你（关系类型、置信度、来源位置）。
可以这么理解：常驻 hook 是先塞给助手一张地图，
/graphify这几个命令是让它沿着地图精确导航。
七、谁最该试试
- ●接手大型 / 陌生代码库的人：与其让 AI 一点点 grep 摸索，不如先建图,一眼看清骨架；
- ●代码 + 论文 + 笔记混着堆的研究型仓库：这正是 71 倍压缩最能发力的场景；
- ●单纯想让 AI 答架构问题更准、更省钱的 Claude Code 重度用户。
隐私上也算克制：代码文件全程本地用 AST 处理，不外发；只有文档和图片会走你自己平台的模型 API（用的还是你自己的 key），项目本身零遥测。
一句话总结——
graphify 不是又一个 AI 工具，而是给你现有的 AI 编码助手补上它最缺的一块：一个建一次、反复查、跨会话不会忘的代码库记忆层。
下次再嫌 AI「越问越慢、越问越贵、问完就忘」，不妨给它装上这层记忆试试。
📚 往期精选
graphify 本身就是一个「skill + hook」的组合拳。想把这套底层机制吃透，这几篇接着读正好：
- ●**[Skill 不是提示词，是一个文件夹]**：搞懂 skill 到底是什么，你才明白
/graphify凭什么这么能打。（链接待补） - ●**[5 个能直接抄的 Hooks 配方]**：graphify 的常驻模式就靠 PreToolUse hook，这篇给你 5 个能直接照抄的 hook 写法。（链接待补）
- ●**[Claude Code 这堆「黑话」，一篇讲明白]**：skill、hook、CLAUDE.md……本文出现的术语，这里一次扫盲。（链接待补）
关注 高维智核，AI 编码圈的好东西，第一时间帮你挖出来、讲透彻。
⭐ 觉得有用，点个「赞」和「在看」，转发给同样在用 Claude Code 的朋友 ⭐
https://github.com/safishamsi/graphify/tree/v8https://graphifylabs.ai/
