graphify：用于大型代码库和文档的可查询知识图谱
graphify，来自Graphify Labs，将项目文件夹转变为可查询的知识图谱，以供AI助手使用。它提取代码结构，摄取文档和多媒体，并暴露一个MCP服务器以及一个CLI，用于针对特定子图而非原始文件的语义查询。关键元素包括确定性AST解析、带有来源标签的边缘、Leiden聚类、SHA-256增量缓存，以及HTML/JSON/Obsidian导出。旨在为需要从大型代码库中获取更精确上下文的软件工程师和AI研究人员设计。
你实际上可以用它来做什么任务？
该工具充当本地内存层，因此 AI 编码助手可以执行有针对性的语义搜索，并探索项目内部的架构关系。它将代码、文档、PDF、图像和转录中的实体和关系映射到结构化图中，使代理能够回答有关依赖关系、符号定义位置以及哪些模块属于同一架构社区的集中查询。示例集成包括 Claude Code、Cursor 和 Codex。
它的检索准确性和可审计性如何？
代码的提取是确定性的，因为该工具使用 tree-sitter 构建基于 AST 的节点，而不在提取阶段调用 LLM。每个图边缘都标记有来源，标记为 EXTRACTED、INFERRED 或 AMBIGUOUS，因此消费者可以在信任关系之前审计来源。该项目报告在代理查询子图而不是原始文件时，令牌使用量减少了 71.5 倍，并且“反映”功能收集反馈以提高未来检索的准确性。
它接受什么文件格式和环境？
输入灵活性是多模态的：该工具索引源代码（40 多种语言）、PDF、SQL 架构、图像、图表以及由本地转录工具生成的视频或音频转录。它可以在任何支持 Python 3.10+ 的环境中运行，并使用 SHA-256 缓存增量更新图，因此更改的文件不需要完全重新处理。导出选项包括交互式 HTML 可视化、用于编程使用的 JSON 和用于知识管理的 Obsidian 金库。
它适合现有的 AI 编码工作流程吗？
集成旨在满足 MCP 设置和 CLI 工作流程。该工具实现了一个 MCP 服务器，允许符合 MCP 的主机直接查询图形，并且它还作为独立的命令行实用程序运行。开发者指出跨平台 Python 支持和 IDE 集成路径。一些用户报告说，特定 MCP 客户端的初始配置可能需要手动调整 JSON 路径，这在实时查询之前增加了一个设置步骤。
需要可验证的本地项目记忆的团队的实用选择
该工具是工程师和研究人员的实用选项，他们需要可验证的、可查询的项目记忆用于 AI 辅助编码，因为它在设备上创建结构化的、带有来源标签的上下文。在连接某些 MCP 客户端时，预计会有一个短暂的配置阶段，并计划在在关键决策中使用之前验证任何 推断的 关系。
