Кодовая база как граф: что такое Graphify

Graphify — опенсорсный инструмент с более чем 85 000 звёзд на GitHub, который превращает всю кодовую базу в граф знаний (knowledge graph) с использованием локального AST-парсинга через tree-sitter. Проект входит в батч YC Summer 2026 и доступен бесплатно на PyPI и GitHub. Главная идея: вместо того чтобы AI-ассистент раз за разом грепал файлы, он получает готовую структурированную карту всего проекта и работает с ней.

Как это работает

Достаточно набрать /graphify в своём AI-ассистенте — и он отобразит весь проект (код, документацию, PDF, изображения, видео) в граф знаний, который можно запрашивать вместо того, чтобы искать по файлам вручную.

Код парсится через tree-sitter AST: детерминированно, без LLM, ничего не покидает ваш компьютер. Документы, PDF, изображения и видео обрабатываются моделью вашего ассистента или настроенным API-ключом — для семантического прохода.

ℹ Ключевое отличие от RAG
Graphify — не векторный индекс. Никаких эмбеддингов, никакого vector store: это настоящий граф, по которому можно перемещаться. Вы можете задать вопрос, проследить путь между двумя концепциями или объяснить одну из них.

После запуска команды в директории проекта генерируются три файла:

uv tool install graphifyy   # установка CLI
graphify install            # регистрация навыка в AI-ассистенте
# затем в ассистенте:
/graphify .

graphify-out/
├── graph.html       # интерактивная карта — открывается в браузере
├── GRAPH_REPORT.md  # ключевые концепции и связи
└── graph.json       # полный граф для программных запросов
💡 Совет
Файл graph.html открывается в любом браузере — можно кликать по узлам, фильтровать по сообществу и искать по всей кодовой базе визуально.

Уверенность в каждом ребре

Одна из главных фич — прозрачность связей. Каждое соединение помечается тегом EXTRACTED (явно указано в источнике) или INFERRED (разрешено самим Graphify) — так всегда понятно, что было прочитано напрямую, а что выведено.

Реальный пример вывода при анализе кодовой базы FastAPI:

$ graphify explain "APIRouter"
Node: APIRouter
  Source:    routing.py L2210
  Degree:    47

Connections (47):
  --> RequestValidationError [uses] [INFERRED]
  --> .get()                 [method] [EXTRACTED]
  <-- __init__.py            [imports] [EXTRACTED]

$ graphify path "FastAPI" "ModelField"
Shortest path (3 hops):
  FastAPI --> DefaultPlaceholder <-- get_request_handler() --> ModelField

Поддерживаемые языки и платформы

Graphify поддерживает более 40 языков программирования и интегрируется с Claude Code, Cursor, Codex, Gemini CLI, OpenCode и 20+ другими AI-ассистентами.


flowchart LR
    A[Репозиторий\nкод / docs / PDF] --> B[tree-sitter AST\nлокальный парсинг]
    B --> C[Граф знаний\ngraph.json]
    C --> D[graph.html\nвизуализация]
    C --> E[GRAPH_REPORT.md\nотчёт]
    C --> F[AI-ассистент\nClaude / Cursor / Codex]
    F --> G[graphify query\ngraphify path]

Для живой базы данных команда graphify extract --postgres "postgresql://..." интроспектирует БД напрямую и добавляет таблицы в тот же граф, что и код приложения. В итоге код, схема и инфраструктура объединяются в одну карту.

Сравнение с альтернативами

ПодходХранениеLLM при парсингеПрозрачность связей
GraphifyГраф (graph.json)Нет (только для docs/media)Полная (EXTRACTED / INFERRED)
Vector RAGВекторная БДДа (эмбеддинги)Нет
Grep / LSPНетНетНет
Встроенный индекс CursorСобственное хранилищеДаЧастичная

Graphify строит типизированные связи с явными рёбрами, определением сообществ и оценкой уверенности. Он не конкурирует напрямую с инструментами вроде встроенного индекса Cursor, а добавляет структурный слой поверх того, что уже есть.

Бенчмарки

Команда приводит собственные замеры на стандартных тестовых наборах:

БенчмаркМетрикаGraphifyЛучший конкурент
LOCOMO (n=300)recall@100.497supermemory 0.149
LOCOMO (n=300)QA accuracy45.3%supermemory 49.7%
LongMemEval-S (n=50)QA accuracy76%dense RAG (паритет)
Построение графаLLM-токены0платно у большинства

Все системы тестировались на одном стенде с одинаковой моделью и бюджетом; оценка проводилась слепым судьёй (согласованность 90,6%, Cohen’s kappa 0,81).

Конфиденциальность и приватность

⚠ Что уходит в интернет, а что нет
Извлечение кода использует tree-sitter AST-парсинг, который работает полностью на вашей машине. Ноль API-запросов, ноль токенов, ноль данных покидает ваш компьютер. Только опциональный семантический проход для docs, PDF и медиа использует API — и только если вы его настроите.

Для не-кодовых файлов (docs, PDF, SQL-схемы, Terraform) вы можете настроить локальную модель вроде Ollama — тогда вообще ничего не покидает устройство.

Значение для отрасли

Каждый разработчик, работающий с LLM на большой кодовой базе, рано или поздно упирается в одну проблему: контекстные окна конечны, а кодовые базы — нет. Начинаешь новую сессию, спрашиваешь про платёжный поток — и агент начинает перечитывать десятки файлов только для ориентации. Двадцать тысяч токенов испаряется до того, как написана первая строка кода.

По данным одного из пользователей, интеграция Claude Code с Graphify позволила сократить количество токенов в 71,5 раза. Graphify предлагает принципиально иной подход: граф знаний строится один раз и сохраняется между сессиями — ассистент открывает проект, уже зная его архитектуру.

Для команд, работающих на крупных мультиязычных проектах, граф обнаруживает связи, которые не найти при поиске по файлам. А когда кодовая база охватывает схему базы данных и конфигурацию инфраструктуры вместе с кодом приложения — структурный слой Graphify особенно ценен.