一句话结论
Graphify 是一个面向 AI 编程助手的“项目记忆层”。它把代码、文档、PDF、图片、视频、SQL schema 等资料转成可查询知识图谱，让 Claude Code、Codex、Cursor、Gemini CLI、Trae、Hermes、Kimi Code 等 Agent 不必每次重新读全仓库。
Graphify 项目记忆层部署服务
项目简介
Graphify 是一个面向 AI 编程助手的“项目记忆层”。它把代码、文档、PDF、图片、视频、SQL schema 等资料转成可查询知识图谱，让 Claude Code、Codex、Cursor、Gemini CLI、Trae、Hermes、Kimi Code 等 Agent 不必每次重新读全仓库。
项目知识图谱
把代码、文档、SQL schema、设计说明和媒体资料抽成节点、边、路径和社区，让 Agent 查项目地图而不是盲扫文件
本地代码解析
代码侧主要用 tree-sitter 解析 31+ 种语言，减少 API 依赖，也降低代码离开本机的风险
多模态输入
支持 Markdown、HTML、PDF、Office、图片、视频、音频、YouTube、Google Workspace 和 SQL schema 等资料
跨 Agent 集成
适配 Claude Code、Codex、OpenCode、Cursor、Copilot、Aider、OpenClaw、Trae、Gemini CLI、Hermes、Kimi Code 等平台
查询与解释命令
提供 query、path、explain、wiki、callflow-html、prs、global 等命令，让 Agent 按问题查询图谱
团队共享地图
graphify-out/ 可提交到 Git，团队成员拉取后即可让助手复用同一份项目上下文
我们提供的服务
部署服务
项目范围定义先确定要纳入的代码、文档、PDF、Office、媒体、SQL schema 和外部链接，并写好 .graphifyignore
基础安装安装 Python 3.10+ 和 uv/pipx，使用 uv tool install graphifyy 或 pipx install graphifyy 安装 CLI
平台 Skill 注册按团队使用的 Claude Code、Codex、Cursor、Copilot、Gemini CLI、Hermes、Kimi Code 等平台执行 graphify install
首次图谱构建执行 /graphify . 或 graphify .，生成 graph.html、GRAPH_REPORT.md、graph.json，并抽样检查节点和边
查询工作流接入引导 Agent 优先使用 graphify query/path/explain，而不是一上来 grep 全仓库或读完整报告
团队共享策略将 graphify-out/ 中适合共享的图谱文件提交到 Git，同时排除 manifest.json、cost.json 等本地状态
持续更新机制安装 graphify hook 或在 CI/本地约定 --update 周期，避免图谱随着代码变化而过期
运维服务
图谱新鲜度代码频繁变动时，需要 --update、hook 或定期重建，避免 Agent 查到旧结构
置信度复核区分 EXTRACTED、INFERRED、AMBIGUOUS，关键架构结论和推断关系必须人工复核
成本控制代码 AST 可本地处理，但 PDF、图片、视频等语义抽取会调用模型，需要预算、速率和后端选择策略
大仓性能治理大型仓库可跳过 HTML、调低可视化复杂度、拆分子图或用 JSON/MCP 方式查询
Git 冲突处理graph.json 属于结构化产物，建议使用 graphify hook install 提供的 merge driver 和团队合并规范
隐私与数据边界明确哪些资料会走本地 tree-sitter，哪些会被送到 IDE/模型后端做语义抽取，避免敏感材料误上传
GitHub 实战调研（2026-05-19）
截至 2026-05-19，GitHub API 显示 Graphify 约 49.2k Stars、5.3k Forks、508 commits、90 个 open issues、162 个 open PR；MIT 协议，主语言 Python，默认分支为 v8。最新 release 为 v0.8.13（2026-05-18），PyPI 包名是 graphifyy，CLI 命令仍为 graphify，要求 Python >= 3.10。
Graphify 深度调查研究报告
项目定位
Graphify 解决的是 AI 编程里的上下文浪费问题：Agent 每次接手复杂项目，都要重新 grep、读文件、猜架构，成本高且容易漏关系。
它的做法是先生成项目图谱，再让 Agent 通过 query、path、explain 等命令查图谱。这样 Agent 查的是“项目地图”，不是每次盲扫文件。
运行 /graphify . 会生成 graphify-out/graph.html、GRAPH_REPORT.md 和 graph.json，分别用于浏览器查看、阅读重点摘要、给 Agent 查询完整图谱。
核心能力
- 代码图谱：用 tree-sitter 本地解析 31+ 种语言。
- 多模态资料：支持 docs、PDF、Office、图片、视频、YouTube、Google Workspace 和 SQL schema。
- Agent 集成：支持 Claude Code、Codex、Cursor、Aider、Trae、Hermes、Kimi Code 等平台。
- 查询工具：支持 query、path、explain、wiki、callflow-html、PR dashboard 和 global graph。
- 团队共享：graphify-out/ 可提交到 Git，让团队共享项目地图。
- 报告摘要：提取 god nodes、surprising connections、设计原因、置信标签和建议问题。
技术路线
Graphify 对代码部分尽量本地解析，不依赖 API；对 PDF、图片、视频等非结构化资料则调用模型 API。这个设计比较务实：代码结构用确定性解析，非代码语义用 LLM。
它还支持可选扩展：mcp、neo4j、video、office、sql、openai、gemini、bedrock、ollama、hook 等。这说明它不是单次扫描工具，而是想变成持续维护的项目上下文基础设施。
和同类项目对比
- GitNexus 更重代码影响分析；Graphify 输入类型更广，覆盖 docs、PDF、图片、视频和 SQL schema。
- Understand-Anything 更偏 dashboard 和 onboarding；Graphify 更偏 Agent 查询记忆层。
- DeepWiki 偏代码库文档生成；Graphify 更强调图谱查询和多平台 Agent 集成。
- Sourcegraph Cody 是代码搜索 + AI 问答；Graphify 更轻量，可提交图谱给团队共享。
- 普通 RAG 是“找相关文本”；Graphify 更像“给 Agent 一张项目地图”。
项目成熟度
截至 2026-05-19 核查，GitHub API 显示 Graphify 约 49.2k stars、5.3k forks、508 commits，MIT 协议，主语言 Python。最新 release 为 v0.8.13，发布时间 2026-05-18。
项目支持平台非常多，README 多语言也很完整，说明作者在强推“跨 Agent 通用项目记忆层”这个定位。
适合人群
Graphify 适合经常用 Claude Code、Codex、Cursor、Trae 等工具改复杂仓库的人；想减少 Agent 重复读代码、重复问上下文的人；做新成员 onboarding、项目交接、架构梳理的人；同时管理代码、文档、论文、视频、SQL schema 的团队；以及想把项目上下文提交到 Git 里共享的人。
它不太适合很小的 demo 项目，不愿维护 graphify-out/ 的用户，对代码准确性、合规、安全要求极高但不做人工复核的团队，以及只想让 AI 直接写一个函数的人。
风险与边界
- 图谱不是事实本身。README 里区分 EXTRACTED、INFERRED、AMBIGUOUS，说明有些关系是推断出来的，必须复核。
- 图谱会过期。代码频繁变化时，如果不跑 --update 或 git hook，Agent 查到的是旧地图。
- 多模态资料依赖模型质量和成本。图片、视频、PDF 不是纯本地解析，效果会受后端模型影响。
- 大型仓库的图谱可读性要实测。生成图谱容易，真正让人和 Agent 高效使用才是难点。
最终判断
Graphify 是 AI 编程工具生态里很值得关注的“记忆层”项目。它抓住了一个真实痛点：Agent 不缺读文件能力，缺的是可复用、可查询、能跨会话共享的项目上下文。
它最有价值的地方，是把代码、文档、数据库、媒体资料统一成图谱，并让不同 AI 编程助手都能查询同一份项目地图。
结论：Graphify 不是代码生成器，而是 Agent 的项目地图和长期记忆。它适合复杂仓库理解、团队 onboarding、架构梳理和减少上下文浪费，但不能替代测试、review 和人工架构判断。
相关调研资料
EXTERNAL
Graphify GitHub 仓库
官方仓库，包含安装、平台适配、命令参考、隐私说明和团队共享工作流。
查看资料 →EXTERNALREADME
官方 README，说明 /graphify、graphify-out、支持平台、可选 extras、MCP server、hook、Neo4j 和常用命令。
查看资料 →EXTERNALRelease v0.8.13
最新 release，修复同名文件节点冲突、绝对 source_file 路径、semantic chunk 失败后冻结等问题，并新增 cache/merge 子命令。
查看资料 →EXTERNALpyproject.toml
项目元信息，显示 PyPI 包名 graphifyy、版本 0.8.13、Python 3.10+、tree-sitter 语言依赖和 optional extras。
查看资料 →EXTERNALHow it works
官方文档，解释抽取管线、社区发现、置信标记、benchmark 和图谱构建机制。
查看资料 →主流部署方案
个人 Agent 项目地图
graphifyy + Claude Code / Codex / Cursor + graphify-out/ 本地文件。
适合个人开发者给复杂仓库建立可复用项目地图，减少每次让 Agent 重新读文件的上下文浪费。
- 安装轻，核心输出是 HTML、Markdown 报告和 JSON 图谱
- 适合重构前调研、陌生项目理解和日常问答
- 先用 query/path/explain 建立上下文，再让 Agent 改代码
团队共享记忆层
graphify-out/ + Git + graphify hook + 平台 instruction files。
适合多人协作仓库，让新成员和不同 Agent 工具共享同一份项目地图。
- graphify-out/ 可提交到 Git，减少重复扫描
- hook 可在提交后自动更新 AST 图谱并配置 merge driver
- 需要定义哪些缓存、成本文件和本地 manifest 不提交
MCP / Neo4j 增强版
graphifyy[mcp,neo4j] + python -m graphify.serve + Neo4j / Cypher 导出。
适合需要反复工具调用、跨项目查询、图数据库探索或把项目关系接入更大知识系统的团队。
- MCP server 提供 query_graph、get_node、get_neighbors、shortest_path、PR impact 等工具
- Neo4j 适合深度图谱探索和自定义 Cypher 查询
- 比单纯 graph.html 更适合长期自动化工作流
硬件建议（按负载分层）
| 档位 | CPU | 内存 | 磁盘 | 适用场景 |
|---|---|---|---|---|
| 小仓轻量档 | 2-4 vCPU | 8GB | 20GB+ SSD | 中小代码仓、本地 AST 解析、基础 graph.html / GRAPH_REPORT.md / graph.json 输出。 |
| 团队标准档 | 4-8 vCPU | 16-32GB | 80GB+ SSD | 多语言仓库、文档/PDF/Office 抽取、hook 更新、团队共享 graphify-out/。 |
| 多模态增强档 | 8+ vCPU | 32GB+ | 200GB+ SSD | 视频/音频转写、大量 PDF/图片、Neo4j/MCP 服务、跨项目 global graph 或本地模型后端。 |
MCP 配置方案
本地图谱 MCP Server
适合让 Agent 通过结构化工具反复查询同一份 graph.json，而不是每次读取完整报告。
# Install MCP extra
pip install "graphifyy[mcp]"
# Build graph first
graphify .
# Serve the graph over stdio MCP
python -m graphify.serve graphify-out/graph.json- MCP server 暴露 query_graph、get_node、get_neighbors、shortest_path、list_prs、get_pr_impact、triage_prs 等工具。
- Kimi Code 可用 kimi mcp add --transport stdio graphify -- python -m graphify.serve graphify-out/graph.json 注册。
- 生产使用建议固定 graphifyy 版本，避免工具 schema 随快速迭代漂移。
Neo4j 图数据库导出
适合需要 Cypher 查询、图谱浏览和跨项目分析的团队。
# Generate Cypher
graphify ./raw --neo4j
# Or push directly
graphify ./raw --neo4j-push bolt://localhost:7687- Neo4j 适合深度探索，但不是入门必需；小团队先用 graph.json 和 MCP 足够。
- 把图数据库作为分析面，不要把它当成测试或类型系统的替代品。
Skills 配置方案
安装并注册 Agent Skill
官方推荐先安装 PyPI 包 graphifyy，再按目标平台写入对应的 skill/instruction 文件。
# Recommended
uv tool install graphifyy
# Or
pipx install graphifyy
# Register with your AI assistant
graphify install
# Platform-specific examples
graphify install --platform codex
graphify cursor install
graphify vscode install
graphify install --platform hermes
graphify install --platform kimi- PyPI 包名是 graphifyy（双 y），CLI 命令仍是 graphify。
- Codex 用户按 README 还需要在 ~/.codex/config.toml 的 [features] 下启用 multi_agent = true。
- PowerShell 中不要写 /graphify .，应使用 graphify .。
项目图谱构建与查询
典型日常用法：先构建 graphify-out/，再用 query/path/explain/callflow-html 让 Agent 按图谱回答。
/graphify .
graphify query "show the auth flow"
graphify path "UserService" "DatabasePool"
graphify explain "RateLimiter"
graphify export callflow-html
graphify hook install- graphify-out/graph.html 给人看，GRAPH_REPORT.md 给快速浏览，graph.json 给 Agent 和 MCP 查询。
- 团队共享时建议提交 graphify-out/，但排除 manifest.json、cost.json 等本地状态文件。
- docs、PDF、图片、视频等非代码资料会涉及模型调用，要先确认隐私边界。
参考仓库（实时调研）
- safishamsi/graphify 49.2k最近更新：2026-05-19
- Graphify README -最近更新：2026-05-19
- Release v0.8.13 -最近更新：2026-05-18
- pyproject.toml 0.8.13最近更新：2026-05-19
- How it works -最近更新：2026-05-19
为什么选择我们
会把图谱当记忆层设计
不会把 Graphify 简化成可视化玩具，而是围绕 Agent 查询、跨会话复用和团队共享设计流程
懂图谱新鲜度治理
会规划 --update、hook、merge driver、忽略文件和图谱抽样检查，避免旧地图误导 Agent
能控制多模态成本和隐私
区分本地 AST 解析和模型语义抽取，按资料敏感度选择后端、预算和脱敏策略
能接入多 Agent 平台
可按 Claude Code、Codex、Cursor、Copilot、Hermes、Kimi Code、Gemini CLI 等平台定制安装与查询习惯