Graphify 是一个 Claude Code 技能。装上之后在对话里敲 /graphify，它就把你指的那个文件夹——代码、PDF、Markdown、截图、手绘图，甚至别的语言的图片——全部读一遍，抽成一张知识图谱。

一、问题是什么

AI 编程助手有个绕不过去的物理限制：上下文窗口。你让它改一个函数，它得先知道这个函数被谁调用、依赖什么、改完会波及哪里。而要知道这些，它得把相关文件都读进来——一个大一点的仓库，光是把调用链摸清楚就能把窗口吃光。

于是现实里就出现两种尴尬：小项目还行，一进中型仓库助手就开始瞎猜；或者你手动挑几个文件喂给它，挑漏了它就给你一个「局部正确、全局错误」的改法。

更麻烦的是资料类型混杂。真实项目里除了代码还有 PDF 论文、Markdown 笔记、设计图截图——这些东西之间本来是有关系的，但助手没法同时「看懂」它们并建立联系。

二、核心设计

Graphify 的思路不是「压缩上下文」，而是「换一种表示」：把文件集合变成一张图，之后查询图，而不是反复读原文。

具体分两层：

代码层完全本地、不花模型额度。 它用 tree-sitter 做 AST 解析，做一次调用图分析。这部分是确定性的，不需要 LLM，代码也不离开你的机器。

文档和图片层用模型。 Markdown、PDF、图片交给你的助手（或你自己配的 API key）做语义抽取，把概念和关系提出来。

两层的结果合并成一张图，每条边打个标签：EXTRACTED 表示原文明说的，INFERRED 表示是它推断的，AMBIGUOUS 表示拿不准。这个标签体系是整个设计里最值得说的部分——它让你能分清哪些是事实、哪些是猜测。

生成的东西不止一种格式：能点的交互图（graph.html）、Obsidian 库、给 agent 导航用的维基（--wiki）、持久化的 graph.json、以及一份 GRAPH_REPORT.md（枢纽概念、意外连接、建议提问）。

三、功能拆解

一行命令建图：/graphify . 对任意文件夹生效。
省 token：官方实测在一个混合语料（52 文件，含代码+论文+图片）上，用图查询比直接读原文件省 71.5 倍 token。
增量更新：--update 只处理变动的文件，不重建整张图。
自动跟随：--watch 在后台跟着文件变化更新（代码改动即时重建且不花模型，文档改动会提醒你跑 update）。
多格式导出：graph.svg、graph.graphml（给 Gephi/yEd）、Neo4j 的 cypher.txt。
MCP 服务：--mcp 起一个 stdio 服务，别的 agent 可以连。
Git 钩子：graphify hook install 装 post-commit 钩子，每次提交自动重建。
随手加料：/graphify add 能直接抓一篇论文或推文进来并更新图。

四、适合谁、不适合谁

适合：要在中型以上仓库里做重构、需要助手真正理解全局关系的人；做研究、手上堆了一堆论文和笔记需要串联起来的人；同时写代码和文档、想让两者连起来的团队；想让多个 AI agent 并行工作、需要一个共享知识底座的场景。

不适合：小项目——官方自己承认，6 个文件的时候几乎没压缩收益，图的价值只是结构清晰；只想让 AI 帮忙改个 bug、不想引入额外步骤的人；完全不用 Claude Code 的人（虽然文档提到兼容 Cursor/Codex/Gemini CLI，但主线是 Claude Code）。

五、诚实提醒

省 token 的倍数强依赖语料规模。 官方给的三个例子很诚实：52 个文件是 71.5 倍，4 个文件是 5.4 倍，6 个文件约 1 倍。文件越少，图的收益越低，别被单个大数字带跑。

图片和 PDF 的抽取质量取决于模型。 这部分不是确定性的，同一份材料不同模型抽出来的概念可能不一样。官方也坦白说了，INFERRED 的边是猜出来的，用之前要看标签。

包名现在叫 graphifyy。 PyPI 上 graphify 这个名字还在回收流程里，所以临时用了 graphifyy。这是个临时状态，不是拼写错误。

Mac 上 pip install 可能失败。 苹果的系统 Python 是「外部管理」的，会报 externally-managed-environment，正确解法是 pipx install graphifyy。

它有个商业产品。 README 里推广了 Graphify Cloud（常驻记忆、跨仓库、形式化验证等），那部分要付费。开源技能本身能用，不要把两者搞混。

六、项目现状

用 Python 写成，Apache-2.0 协议，star 数约 14.7 万，最新版本 v0.9.108——这个版本号说明它更新非常频繁（0.9.x 已经到 108 了）。技术栈是 NetworkX + Leiden（graspologic）+ tree-sitter + 模型 + vis.js，不需要 Neo4j、不需要服务器，完全本地跑。

发布页提供 wheel 和 tar.gz，另有一个 graphify-self-graph.tar.gz（用自己的图分析自己）。