Graphify 实测：13 万星开源代码知识图谱，让 Claude Code / Codex 查图不翻文件，8 秒建图、代码部分零 token

让 Claude Code 或 Codex 接手一个陌生项目，最费 token 的往往不是写代码，而是“找代码”：它要一遍遍 grep、打开文件、读几百行，才搞清楚某个类在哪定义、被谁调用、改了会影响哪里。项目一大，上下文窗口很快就被这些探路的输出塞满。

Graphify 换了个思路：先把整个项目解析成一张知识图谱，类、函数、文件、文档标题都是节点，调用、导入、继承这些关系都是边；之后 AI 要问“这个类和那个模块怎么连起来的”，直接查图，不用再翻文件。它以技能（Skill）的形式装进 Claude Code、Codex、Cursor、Gemini CLI 等 20 多种编程助手，在对话里输入 /graphify . 就能用。

项目在 GitHub 上约 13.2 万星，Apache-2.0 协议，这几天每天还在涨一千多星。我们在 Linux 上装了 PyPI 的 0.9.93 版（10 月 21 日凌晨发布，北京时间），拿本站介绍过的 Python 爬虫库 Scrapling 的源码实测了一遍。资料查阅于 2026-10-22。

基本信息

最关键的一点：代码部分完全在本机解析，不调用大模型，也不花 token。只有文档、PDF、图片这类非代码内容，才需要借助你助手里的模型（或你配置的 API Key）做一遍语义提取。

安装：两条命令

官方推荐用 uv 或 pipx 装成独立的命令行工具：

uv tool install graphifyy      # 或者：pipx install graphifyy
graphify install               # 自动识别你在用的助手，注册技能

注意包名是 graphifyy。官方 README 特意提醒，PyPI 上其他叫 graphify 的包都和他们无关，装错了可能装到别人的东西，这在供应链投毒频发的当下要格外留意。

graphify install 默认装给 Claude Code。用别的助手要加 --platform，例如 Codex 用 graphify install --platform codex、Trae 国内版用 --platform trae-cn、Kimi Code 用 --platform kimi；Cursor 用的是 graphify cursor install。想只装到当前项目、方便团队一起用，就加 --project。

我们在一个空 Git 仓库里试了 graphify install --project --platform codex，它做了三件事：

• 在 .codex/skills/graphify/ 下放了技能说明 SKILL.md 和 8 个按需加载的参考文档；
• 在项目根目录的 AGENTS.md 里追加了一段说明，让 Codex 回答代码问题前先查图谱；
• 在 .codex/hooks.json 里注册了一个钩子。

装好后，Claude Code 里输入 /graphify .，Codex 里输入 $graphify .（Codex 用 $ 不用 /）。官方还提醒，Codex 要在 ~/.codex/config.toml 的 [features] 下打开 multi_agent = true，才能并行提取。

实测：Scrapling 源码，8 秒出图

不想在助手里跑，也可以直接用命令行建图。graphify update 只处理代码，不需要任何 API Key：

cd Scrapling
graphify update .
graphify god-nodes --top 5           # 列出连接最多的“枢纽”节点
graphify explain "StealthyFetcher"   # 解释一个节点：在哪定义、和谁有关
graphify query "how does the spider rotate proxies" --budget 500

Scrapling 仓库一共 585 个文件，Graphify 用 8 个线程做语法树解析，约 8 秒就建好了图：11073 个节点、22001 条边、760 个社区（自动聚类出来的子系统），报告里写着 Token cost: 0 input · 0 output。

几个命令的实际效果：

• god-nodes：排在前面的是 StealthyFetcher、Selector、TextHandler、Fetcher、LinkExtractor，和我们之前写 Scrapling 上手实测 时对这个库的理解基本一致：抓取器和选择器就是它的两根主干。
• explain：会给出定义位置（scrapling/fetchers/stealth_chrome.py 第 7 行）、所属社区和每一条关系。每条边都标着 EXTRACTED（源码里明写的，比如继承、导入）或 INFERRED（Graphify 推断的，比如“用到了”），能分清哪些是事实、哪些是推测。
• query：用一句英文问题从相关节点出发做广度遍历，--budget 控制返回内容的 token 上限，超出时会明确告诉你“截掉了多少个节点，要看全请把预算调到多少”。这正是给 AI 用的设计：先给一份小而准的子图，不够再要。
• path：查两个东西之间的最短关系链。重名时它不会乱猜，会列出候选让你用 文件路径::名字 或完整 ID 重试。

graph.html 用浏览器打开就是一张能拖、能搜、能按社区筛选的图。节点超过 5000 个时，它会自动改成“按社区聚合”的视图，避免浏览器卡死。

一个实用技巧：用 .graphifyignore 去掉噪音

第一次跑完我们发现，StealthyFetcher 有 338 条关系，其中一大堆来自 docs/locales/ 下阿拉伯语、德语、西班牙语等十几种翻译文档。对 AI 理解代码来说，这些全是重复的噪音。

Graphify 支持在项目根目录放一个 .graphifyignore，写法和 .gitignore 一样。我们加了两行：

docs/locales/
docs/README_*.md

重新建图后，文件数从 585 降到 234，节点从 11073 降到 5457，StealthyFetcher 的关系从 338 条降到 50 条，都是真正跟代码相关的。大项目第一次用，建议先看一眼报告里哪些目录贡献了最多节点，把翻译文档、示例数据、打包产物排除掉，图会干净很多，AI 查询时也更省 token。

和其他“省上下文”工具怎么配合

Graphify 解决的是“AI 找代码太费劲”，和本站介绍过的几类工具分工不同：

• Context Mode 管的是工具输出太长，把命令结果压缩后再交给模型；Graphify 管的是一开始就少读文件。两个可以一起装。
• ai-memory 记的是“这个项目做过什么决定、做到哪了”，属于工作记忆；Graphify 记的是“代码长什么样”，属于结构地图。
• 想多装几个技能的，可以看 5 个热门 AI 编程技能包合集，Graphify 也是同一类 Agent Skill。

还有几个进阶用法：graphify hook install 装 Git 钩子，每次提交后自动重建图谱；graphify watch . 在后台盯着代码变化实时更新；在助手里用 /graphify . --mcp 可以把图谱作为 MCP 服务提供给别的客户端；graphify export obsidian 能导出成 Obsidian 笔记库。

使用前要知道的几件事

• 官方的数字要理性看。 README 首页写着“token 花费减少 80%”，那是收费的 Graphify Cloud 的宣传语；仓库里的基准测试（LOCOMO、LongMemEval 等）也是项目方自己跑的。实际能省多少，取决于项目大小，几十个文件的小项目本来就能整个塞进上下文，图谱的价值主要在于理清结构。
• 非代码内容会调用模型。 对文档、PDF、图片做语义提取，会用你助手的模型或你配置的 Key，这部分要花 token，内容也会发给对应的模型服务。公司的敏感文档要先想好。
• 图谱会过期。 改了代码不重建，AI 查到的就是旧结构。报告里会记录建图时的 commit，最好配合 Git 钩子自动更新。
• 重名要靠完整 ID。 大项目里 Spider、Config 这种通用名很多，Graphify 会提示候选，不会替你乱选，但需要你（或 AI）多一步指定。
• 它是给 AI 用的，不是给人看的图。 graph.html 好看归好看，真正有用的是 graph.json 和命令行查询。

适合谁

参考来源

• Graphify GitHub 仓库（含中文 README）
• Graphify 官方文档
• PyPI：graphifyy

代码图谱解决的是「仓库结构怎么查」；若关心跨会话记忆怎么写、怎么用 dreaming 校对，可以看 Anthropic Agent Memory。