graphify

graphify 快速入门

一句话卖点: 74K+ Stars YC S26 孵化——用一句话让 Agent 把任何代码库变成可查询的知识图谱

这是什么?适合谁?

graphify 是一个通用的知识图谱 Agent Skill。它的核心能力是：将任意文件夹（代码、SQL schema、R 脚本、文档、论文、图片、视频）转换为可查询的知识图谱。安装后，Agent 可以”理解”整个项目的结构——应用代码如何连接数据库、哪些模块依赖哪些配置、基础设施如何组合。
与传统代码分析工具不同，graphify 不仅分析代码语法——它构建的是”关系图”：这个函数调用了哪个 API？这张数据库表被哪些服务读写？这篇论文引用了哪些方法？所有这些关系都被建模为可查询的图谱。
适合维护大型 monorepo 的开发者、需要理解复杂遗留系统的架构师、以及做跨语言代码分析的团队。不适合只有几个文件的小项目——graphify 的优势在大规模、多语言、跨领域的场景中才能体现。YC S26 孵化和 74K Stars 的双重验证证明了它的价值。

准备工作

1. Python 3.10+ 和 pip（推荐用 uv 安装更快）
   
2. 至少一个支持 agent-skills 的 Agent（Claude Code、Cursor、Codex 等）
   
3. 准备一个需要分析的代码库或文档目录
   
4. 预留足够的磁盘空间——首次构建大型项目（>10K 文件）可能需要数 GB
   

3步快速上手

第1步: 安装

pip install graphify<br>
# 或使用 uv（更快）<br>
uv pip install graphify<br>
```<br>
### 第2步: 配置 Agent 平台<br>
```bash<br>
graphify install --platform claw<br>
# 支持 27 个平台: claw, cursor, codex, gemini-cli, copilot, aider, openclaw 等<br>
```<br>
### 第3步: 构建知识图谱<br>
```bash<br>
cd /path/to/your/project<br>
graphify build .<br>
# 构建完成后，Agent 会自动感知知识图谱<br>
# 尝试问 Agent: "这个项目中哪些模块依赖了 PostgreSQL？"<br>
```<br>
## 常见踩坑<br>
1. 首次构建超大型项目（>10K 文件）可能需要 10-30 分钟——建议先用小项目测试<br>
2. 图片分析首次使用需下载约 500MB 的 ML 模型——确保网络稳定<br>
3. graphify 构建的知识图谱存储在项目根目录的 `.graphify/` 中——记得加入 `.gitignore`<br>
4. 不是所有 Agent 平台都完全支持——Claude Code 和 Cursor 兼容性最好<br>
5. 知识图谱是静态快照——代码变更后需要重新运行 `graphify build` 才能更新<br>
6. Python 版本必须 ≥3.10——低版本会安装失败<br>
## 初级用法<br>
1. 架构分析: "这个项目的微服务之间如何通信？"<br>
2. 依赖追踪: "哪些模块依赖了 express.js 4.x？"<br>
3. 数据库映射: "这张 users 表被哪些 API 端点读写？"<br>
4. 文档关联: "README 中提到的架构模式在代码中哪里实现了？"<br>
## 高级玩法<br>
1. 渐进展开: `graphify build . --progressive-disclosure`——先构建顶层结构，按需深入<br>
2. MCP Server: `graphify serve`——启动 MCP Server，让任何 MCP 兼容的 Agent 都能查询图谱<br>
3. Docker 部署: CI/CD 中自动构建知识图谱，确保每次部署前检查架构一致性<br>
4. 跨语言分析: 同时分析 TypeScript 前端 + Python 后端 + SQL 数据库——graphify 自动建立跨语言关联<br>
## 小技巧<br>
1. 先用 `graphify build --dry-run` 预览会分析哪些文件<br>
2. 大型项目用 `--include` 和 `--exclude` 过滤文件类型<br>
3. 配合 Git hooks: 每次 commit 后自动增量更新知识图谱<br>
4. 导出图谱为 JSON: 用 `graphify export --format json` 供其他工具使用<br>
5. 在 PR 描述中引用 graphify 的分析结果——让审查者快速理解改动影响范围<br>
## 常见问题 FAQ<br>
**Q1: graphify 和代码分析工具（如 SonarQube）有什么区别？**<br>
graphify 构建的是"关系图谱"而非"质量报告"。它告诉你"什么和什么有关联"，而非"代码好不好"。两者互补——SonarQube 告诉你代码质量，graphify 告诉你代码结构。信息来源: 官方文档和 YC 介绍。<br>

**Q2: graphify 免费吗？**<br>
完全免费，开源。YC S26 孵化意味着有资金支持持续开发。信息来源: GitHub 仓库和 YC 页面。<br>

**Q3: 支持哪些编程语言？**<br>
理论上支持所有语言——graphify 通过 AST 解析和 LLM 理解来处理代码。Python、TypeScript、Go、Rust、SQL 效果最佳。信息来源: 官方兼容性列表。<br>

**Q4: 知识图谱会占用多少存储空间？**<br>
取决于项目规模。中等项目（5K 文件）约 100-500MB。大型 monorepo（50K+ 文件）可能 2-5GB。信息来源: 社区使用报告。<br>

**Q5: 可以用 graphify 分析视频吗？**<br>
可以——graphify 可以分析视频内容并建立与代码/文档的关联。但视频分析需要额外下载 ML 模型且处理速度较慢。信息来源: 官方功能文档。<br>