AI 编程助手越来越聪明,但它还是不懂你的项目

Graphify 把整个文件夹压成一张知识图谱，10 天破 22k Star

Graphify-Labs / graphify|2026 年 7 月 12 日

🔍 工具速览

AI 编程助手最近两年解决了一个问题：让它写代码。下一个它要解决的问题更基础——让它真的看懂你的项目。

理由很简单。Claude Code 读完 50 个文件，也不知道"认证模块"在系统里到底牵了哪些东西。Cursor 索引了整个项目，每次开新对话它还是得重新摸索。这就是为什么 Andrej Karpathy 那篇 "LLM as wiki" 的工作流在 X 上被反复传——所有人都在给 AI 找记忆。

Graphify 想做的事情更野一点：把你整个项目文件夹——代码、文档、PDF、截图、会议录音——一次压成一张可查询的知识图谱。 然后把这张图喂给 20 多种 AI 编程助手。下次 AI 答不上来，先查图。

▲ Graphify GitHub 仓库卡片（来源：GitHub OpenGraph，截至 2026-07-12）

它到底在做什么？

Graphify 不是一个聊天 UI，也不是另一个 IDE。它是一个 Agent Skill。 你装好之后，在 Claude Code / Cursor / Codex / Gemini CLI 里敲一行 /graphify .，它就把当前目录扫一遍，吐出来三个文件：

graph.html — 一张可点击的交互式图谱，节点是函数、类、模块，边是调用、引用、依赖。

graph.json — 完整图谱数据，jsonlines 格式，方便程序二次查询。

GRAPH_REPORT.md — 文字报告，核心模块、意外关联、推荐问题全列出来。

听起来不复杂。但它做了一件别人没做的事：跨模态统一建图。 代码用 tree-sitter 在本地做 AST 解析（不调 API），PDF / Office / 截图走 Claude Vision 提取概念，视频和录音用 Whisper 本地转录后再让 LLM 抽关系。所有节点最后进同一张图，通过 Leiden 算法做社区发现，把隐藏的模块边界自动标出来。

▲ Graphify 工作流（来源：基于 README 整理，matplotlib 生成）

热度数据：3 个月从 0 到 82k Star

Graphify-Labs/graphify 这个仓库是 2026 年 4 月 3 日上线的，伦敦工程师Safi Shamsi 单人开发。上线 10 天破 22k Star，三个月累计 8.2 万——GitHub Trending Python 榜连续多周第一。

值得看几个时间点：

4 月 8 日，Hacker News 上 "We got 100 stars. A weekend project got 12k. What are we missing?" 那条讨论出现——是别人在问，凭什么这个项目能跑这么快。

5 月底，Y Combinator S26 批名单公布，Graphify 入选。开源项目拿 YC 投资本身不稀奇，稀奇的是它同期在 GitHub 的 Star 增速不降反升。

截至 7 月 12 日，第三方趋势站 findarepo 测得 7 天净增 4,806 Star，30天净增 35,231 Star。不是周末效应，是持续往上走。

1.1M+ PyPI 下载量（包名 graphifyy，注意是两个 y），155 个贡献者，213 个 open issues，152 个releases——基本一天一个版本的节奏。

▲ Star 增长曲线（来源：基于 GitHub API + findarepo 公开数据估算）

实测下来，这四点让它跟同类拉开了距离

1. 增量更新——只 patch 改动的文件

传统 RAG 是"换一行代码 = 整个项目重embed"。Graphify 用 SHA256 跟踪文件变化，graphify --update 只动受影响子图，0.8 秒内完成。它有个 graphify watch 模式常驻，文件改了自动 patch。百万级节点图谱也只动增量。

2. 关系带置信度——AI 知道哪些是确定的、哪些是猜的

图里每条边都标 EXTRACTED / INFERRED / AMBIGUOUS——分别对应代码里实锤的调用、LLM 推断的语义关系、不确定的连接。审计报告里能看到 AI 的判断有多少靠得住。对接手遗留代码库的人来说，这点比图本身更值钱。

3. 多模态打通——白板截图也能进图

别人做 RAG 都盯着 PDF 和 Markdown。Graphify把会议室拍的白板照片、流程图截图也吃进去——Claude Vision 看完把概念抽出来，连进代码图谱。有些架构决策只在白板上说过，让 AI 知道这事本来就要做。

4. 离线优先——8 个 LLM 后端随便切

AST 解析完全在本地跑，不调任何 API，只有文档/图片概念提取需要走 LLM。后端支持Ollama / Claude / OpenAI / Gemini / DeepSeek / Kimi / Bedrock / Azure——公司不让用 Claude，完全可以接本地 Ollama。

同类对比：跟传统 RAG 差在哪

一句话总结：Graphify 不是要取代 LangChain，它解决的是"代码库"这个 RAG 老大难问题。 纯语义检索的 RAG 抓不住函数调用关系，向量相似度对代码又经常给出语义相近但调用上下文毫无关系的结果。Graphify 的解法是结构化优先、语义辅助。

5 分钟上手

前置条件：Python 3.10+ 和一个 AI 编程助手（Claude Code / Cursor / Codex / Gemini CLI 任一）。

# 推荐方式（uv 隔离环境）uv tool install graphifyy graphify install # 或者用 pipx pipx install graphifyy graphify install # 然后在 AI 编程助手里跑 /graphify .

第一次跑会花几秒到几分钟（取决于项目规模），输出三个文件：graph.html、graph.json、GRAPH_REPORT.md。

想接 Cursor 用户：

graphify cursor install

打开 graph.html 就是那张可点的图。改完代码运行 graphify --update，图谱自动 patch。

值不值得装？分两种情况

如果你每天用 Claude Code 维护一个中型项目（10k+ 行），装。每周省下来的"重新介绍项目"时间，比你装它花的时间多得多。

如果你只是写几十行脚本，那Graphify 是杀鸡用牛刀。直接问 Claude 就行。

但有一类用户应该重点关注：接手遗留代码库的人。 数据库表结构乱、文档三年前就脱节了、模块边界全靠老员工口口相传——Graphify 把这件事从"问人"变成"查图"。

🔗 项目地址：https://github.com/Graphify-Labs/graphify

—END—

💬 留个问题

Graphify 的官网有句话：AI tools forget. Graphify decodes everything.

但反过来想，图谱也是一种"中介"——它把代码的真相压缩一次，再让 AI 读压缩后的版本。 压缩就有损失，AI 看到的图谱和你看到的代码，永远不是同一个东西。

问题给你：你愿意让 AI 看一张"准"的图谱就开干，还是宁愿它先读完整代码再答？评论区聊聊。

觉得有用的话，一键三连支持一下，明天继续聊 AI 🙌