结论先行：Graphify通过一条命令把整个项目扫描解析为知识图谱，用图遍历替代传统的全文喂给大模型，Token消耗压缩71.5倍，全程本地运行，零遥测零厂商锁定。它不是又一个Agent技能包，而是让AI真正理解项目代码的底层基础设施。
该项目于2026年4月发布，短短3个月在GitHub上冲到82K星，热度惊人。
为什么需要Graphify：AI读代码的三大痛点
在Graphify出现之前，AI处理大型项目一直绕不过三个问题。
痛点一：Token烧钱
- 一个中型项目往往包含几百个源文件；
- 想让AI理解全貌就得把全部代码塞给大模型；
- 一次问答动辄上千Token起步，成本高昂。
痛点二：关系靠猜
- 函数A调用服务B、配置C控制模块D，跨文件的网状依赖非常复杂；
- AI线性阅读代码时，猜错的概率相当高；
- 难以形成对项目结构的整体认知。
痛点三：每次会话从零开始
- 花半小时让AI理解项目架构，换一个会话就全忘了；
- 没有积累，没有持久化；
- 重复劳动无法沉淀。
Graphify的使用方式：三步上手
Graphify的用法极其简单，安装和调用都只需几条命令。
安装与注册
- 使用 pip 安装：
pip install graphify - 注册到AI助手：
graphify install - 在 Claude Code、Cursor 或其他兼容环境中，输入
/graphify即可触发。
自动扫描与图谱构建
命令执行后，当前目录会被自动扫描解析并构建成知识图谱：
- 自动识别文件类型：源码提取调用关系，Markdown 提取概念；
- PDF 和图片通过视觉模型解析，音视频可提取关键帧；
- 使用 Leiden 社区发现算法，把代码自动聚类成模块；
- 全程本地运行，数据不出电脑。
输出结果
- 交互式 HTML 图谱；
- 分析报告；
- 持久化 JSON 图谱；
- 增量缓存文件，后续跑
update只处理变更部分。
Graphify的三大核心武器
武器一：三级置信度标注
每一条关系不仅标注"有没有"，还标注"有多可信"：
- 代码中显式的函数调用标记为"已确认"，置信度 1.0；
- 语义推理发现的隐藏关联标记为"推断"，置信度 0.6 到 0.9；
- 不确定的关系标记为"模糊"，留给人类审核，AI 不装懂。
武器二：图遍历替代全文搜索
传统方式是把几百个文件全读进上下文让模型推理，Graphify 则是预先构建图谱，查询走图遍历：
- 同一组复杂查询，传统方式一次消耗 28500 个 Token；
- Graphify 走图遍历只用 398 个 Token；
- 压缩比达到 71.5 倍。
它不是靠压缩或摘要实现的，而是靠结构——图的拓扑关系已经预计算好，查询只需遍历相关节点和边。
武器三：持久化与增量更新
- 图谱存储在本地硬盘，关机重启依然存在；
- 代码改动后跑
update，只刷新变化部分； - 支持一键导出 Obsidian、Neo4j 等格式；
- 整个团队可以共享一套结构化认知。
为什么是范式转变
Graphify 全程不使用向量数据库，而是基于 Leiden 社区发现算法在图拓扑上做聚类，不需要 embedding，也不需要 GPU。所有数据留在本地硬盘，零遥测零厂商锁定。
用知识图谱替代全文喂代码，这是 AI 开发的下一个范式转变。Graphify 把这件事做到了极致——一条命令，零配置，71.5 倍 Token 压缩，3 个月斩获 82K 星的增长速度。它不是又一个 Agent 技能包，而是让 AI 真正理解项目的底层基础设施。
