Graphify：把整个代码库炼成知识图谱，让 AI 智能体”查地图”而不是”翻文件”

AI 编码智能体在大型代码库里最笨拙的动作，是”翻文件”。为了回答一个改动会影响哪些模块，它 grep、读文件、再 grep，烧掉几万 token 拼出碎片化的理解。Graphify 的思路是给智能体一张地图：输入 /graphify .，它把整个项目——代码、文档、PDF、图片甚至视频——解析成一张可查询的知识图谱，之后智能体查图谱而不是啃源码。这个 YC S26 项目已积累 13 万星，日增 906 星。

关键差异：不是向量索引，是真图谱

代码库语义检索不是新赛道，向量数据库方案已经烂大街。Graphify 反着来：没有 embedding，没有向量库，就是一张可以遍历的真图。代码用 tree-sitter 做 AST 解析——确定性的、不用 LLM、数据不出本机；文档和 PDF 才走模型做语义抽取。每条边都带标签：EXTRACTED（源码里明确存在的关系）或 INFERRED（图谱推断的关系），让你分得清”读到的”和”猜的”。

这个设计选择直击向量检索的老毛病：相似度搜索告诉你”这两块代码长得像”，但回答不了”这个函数被谁调用、改了它会断哪条链”。图谱遍历天然支持后者——追两个节点之间的路径、解释一个概念的全部关联，这些是向量点积做不到的。对智能体来说，”确定性的结构查询”还意味着可复现：同样的问题不会今天答东明天答西。

三十秒上手，产物就三个文件

上手成本是这个项目能病毒式传播的另一半原因：uv tool install graphifyy 装好 CLI，跑一次 graphify install 自动检测你用的智能体并注册技能——Claude Code、Cursor、Codex、Gemini CLI、Copilot 等 20 多种都支持。然后在智能体里敲 /graphify .，产出三个文件：浏览器里可点可搜的 graph.html 可视化、一份标出关键概念和”意外关联”的 GRAPH_REPORT.md、以及供智能体随时查询的 graph.json。Apache 2.0 协议，代码解析完全本地。

官方宣称这套方式能把智能体 token 消耗砍掉 80%——这个数字来自他们的云产品宣传，实际效果取决于代码库规模和提问模式，建议谨慎看待（推测）。但方向是实的：图谱一次构建、反复查询，相比每次提问都让智能体重新读几十个文件，token 曲线完全不同。对天天让 AI 在 monorepo 里干活的团队，这是能直接反映在账单上的差别。

它赌的是智能体工程的下一个瓶颈

把 Graphify 放进最近几个月的时间线看更有味道：Cloudflare 开源审计技能、Ponytail 靠一份指令拿 16 万星、各家智能体都在挂”技能”——共识正在形成：模型能力之外，智能体缺的是结构化的项目认知。Graphify 云产品甚至把 Sentry、Jira 工单接进同一张图，让”线上事故”和”代码位置”成为图上的两个可连线节点。这已经不是在卖工具，是在赌下一代智能体平台的标准数据层（推测）。

风险同样明显：图谱会随代码演化而陈旧，增量更新的正确性是长期难题；INFERRED 边一旦错了，智能体会自信地引用错误结构。但方向上，”先建结构、再问问题”大概率会取代”边 grep 边猜”——毕竟人类工程师接手大项目的第一步，从来都是先画一张架构图。

Takeaway：如果你正在被”AI 在老仓库里越用越贵”困扰，Graphify 值得花三十分钟试一次 /graphify .——本地解析、无锁定、产物是普通 JSON，试错成本几乎为零。重点验证两件事：图谱对你们框架的隐式调用（反射、依赖注入）覆盖如何，以及 INFERRED 边的准确率。这两点决定了它是地图还是迷宫。