Graphify: Когато AI асистентът разбира кода ти, а не просто го чете

Нека бъдем честни: повечето от нас са отваряли кодова база, която не са пипали от месеци, и са усещали познатото暗. Знаеш, че файловете са там. Смътно си спомняш архитектурата. Но да свържеш парчетата? Това си е археология.

Graphify иска да промени това — конкретно за AI coding assistants.

Какво представлява Graphify?

Graphify е open-source инструмент, който създава queryable knowledge graph от цялата ти кодова база. Става дума за source code, документация, research papers, дори диаграми — всичко обединено в една търсеща се графа, която обяснява какво прави кодът ти и защо е проектиран по този начин.

Помисли за това като да дадеш на AI асистента си карта на проекта, вместо купчина файлове.

Инструментът е създаден от Safi Shamsi и е пуснат под MIT лиценз. Работи върху солидни основи: NetworkX за graph операции и Tree-sitter за статичен code analysis.

Мулти-модалната магия

Ето какво прави Graphify интересен: не просто парсва код. Работи с различни типове входни данни:

• Source code (.py, .js, .go, .java и други) — Tree-sitter извлича abstract syntax trees, call graphs и docstrings
• Markdown и PDFs — LLM-driven extraction изтегля концепции от текст
• Диаграми и изображения — Vision моделите всъщност четат твоите architecture диаграми

Този мулти-модален подход означава, че не просто получаваш call graph. Получаваш семантични връзки между концепции в различни типове файлове и формати.

От хаотичен repo до интерактивна графа

Pipeline-ът е прост, но мощен:

1. Detect & Collect — Намира всички relevant файлове
2. Extract — Извлича ASTs и семантични nodes/edges
3. Build — Създава NetworkX graph
4. Cluster — Прилага Leiden algorithm за community detection
5. Analyze — Идентифицира "god nodes" (файлове с висока централност) и неочаквани връзки
6. Report — Генерира четив output

Частта с community detection е особено хитра. Вместо да разчита на vector embeddings (които могат да са скъпи и неточни), Graphify използва Leiden algorithm, за да групира свързан код в семантични клъстери. Не е необходим embedding модел.

God Nodes и "изненадите"

Една функционалност, която привлече вниманието ми: Graphify идентифицира това, което нарича "god nodes" — файловете или компонентите с най-висока свързаност в графата. Тези обикновено са твоите core classes, main entry points или critical shared utilities.

Още по-интересното е, че маркира "surprises" — неочаквани връзки между файлове или domain-и, които могат да сочат към проблеми в дизайна, недокументирани зависимости или области, заслужаващи внимание.

В един от техните примери с httpx библиотеката, Graphify откри изненадваща връзка между DigestAuth и Response. Това е връзка, която не е очевидна при четене на отделни файлове, но става кристално ясна, когато се визуализира като графа.

Аргументът за ефективността на токените

Ето едно число, което си струва да запомниш: в техния смесен corpus benchmark (GPT framework repos плюс research papers), Graphify постигна 71.5× намаление в използването на токени в сравнение с naive context injection подходи.

Това не е малко. Когато плащаш на токен за AI API calls, намаляването на разходите за queries с такава маржа има значение. И не става дума само за пари — по-малки context windows означават по-бързи responses и по-малък риск от hallucination.

Сигурност, която не се пренебрегва

Open-source инструменти, които fetch-ват URLs и обработват код, трябва да се отнасят сериозно към сигурността. Graphify изглежда прави това:

• Позволява само http/https URLs
• Ограничения за размер и timeout при изтегляния
• Path containment checks (без directory traversal)
• HTML escaping на всички node labels
• Без telemetry или third-party data collection

Твоят код никога не напуска твоята среда. Graphify изпраща само семантични описания (не raw source) към твоя AI модел.

Как се интегрира с AI Assistants

Graphify идва с прости команди за Claude Code, Codex и OpenCode:

• /graphify — Създава нова графа
• /graphify query <въпрос> — Задаваш въпроси за кодовата база
• /graphify path <файл> — Фокусираш се върху конкретни пътища
• /graphify explain — Получаваш обяснения на graph структурата

Output-ът включва интерактивна graph.html визуализация, graph.json за programmatic достъп и GRAPH_REPORT.md audit файл.

Инсталация

Ако искаш да го пробваш:

pip install graphifyy
graphify install
graphify ./твоят-проект

Изисквания: Python 3.10+ и API ключ, конфигуриран за предпочитания AI модел (Claude, OpenAI и т.н.).

Къде се намира Graphify в екосистемата

Не се опитва да замени enterprise кодовото търсене на Sourcegraph или general-purpose graph базите данни като Neo4j. Вместо това Graphify заема интересна междинна позиция:

• По-семантичен от статичните анализатори
• По-структуриран от vector-based retrieval
• Специално създаден за AI assistant context injection

За разработчици, работещи с AI coding assistants върху complex проекти — особено смесени кодови бази с документация и research — това запълва реална празнина.

По-голямата картина

Инструменти като Graphify представляват по-широка тенденция: AI assistants, които не просто генерират код, но всъщност разбират системите, с които работят. Knowledge graph не е просто трик за визуализация — това е структура за reasoning, която може да подкрепи по-точни, context-aware suggestions.

Дали Graphify ще стане стандартът за AI code understanding — предстои да видим. Но проблемът, който решава, е реален. Кодовите бази са complex, взаимносвързани системи. Може би заслужават graph-based инструменти, вместо file-tree навигатори.

Ако си се борил да накараш AI assistants да разберат архитектурата на твоя проект, Graphify си струва един следобед експеримент.

Опитал ли си knowledge graph инструменти за разбиране на код? Сподели опита си в коментарите.