Graphify: Warum Codebasen einen Knowledge Graph verdienen

Man kennt das vielleicht: Man öffnet ein Projekt, an dem man Monate nicht gearbeitet hat, und steht vor einem Berg Code, der einem vage bekannt vorkommt. Die Architektur? Grobdokumentiert. Die Zusammenhänge? Komplettes Rätselraten.

Graphify will genau das ändern – zumindest für KI-Coding-Assistenten.

Was ist Graphify?

Kurz gesagt: Graphify ist ein Open-Source-Tool, das aus deiner gesamten Codebasis einen durchsuchbaren Knowledge Graph baut. Gemeint sind nicht nur die eigentlichen Source Files, sondern auch Dokumentation, Forschungsarbeiten und sogar Diagramme – alles zusammen ergibt einen Graphen, der sowohl das Was als auch das Warum deines Codes erklärt.

Stell es dir so vor: Du gibst deinem KI-Assistenten eine Landkarte statt einen Haufen unverbundener Dateien.

Entwickelt hat das Tool Safi Shamsi, veröffentlicht unter MIT-Lizenz. Technisch setzt Graphify auf Bewährtes: NetworkX für Graph-Operationen und Tree-sitter für statische Codeanalyse.

Mehrere Modalitäten, ein Ziel

Was Graphify von simpler Codeanalyse unterscheidet: Das Tool verarbeitet verschiedene Input-Typen.

Source Code (.py, .js, .go, .java und mehr) – Tree-sitter extrahiert Abstract Syntax Trees, Call Graphs und Docstrings. Markdown und PDFs – Ein LLM zieht Konzepte aus Prosatexten. Diagramme und Bilder – Vision-Modelle lesen tatsächlich Architekturzeichnungen.

Diese Herangehensweise liefert mehr als nur einen Call Graph. Du bekommst semantische Verbindungen zwischen Konzepten, verteilt über verschiedene Dateitypen.

So entsteht aus Chaos ein interaktiver Graph

Der Ablauf ist einleuchtend:

1. Erkennen & Sammeln – Alle relevanten Dateien finden
2. Extrahieren – ASTs und semantische Knoten/Kanten herausziehen
3. Bauen – Einen NetworkX-Graphen erstellen
4. Clustern – Leiden-Algorithmus für Community Detection anwenden
5. Analysieren – „God Nodes" (zentrale Dateien) und unerwartete Verbindungen identifizieren
6. Berichten – Lesbare Ausgabe generieren

Das Clustering verdient besondere Beachtung. Statt auf Vector Embeddings zu setzen (teuer und oft ungenau) nutzt Graphify den Leiden-Algorithmus, um zusammengehörigen Code in semantische Cluster zu gruppieren. Kein Embedding-Modell nötig.

God Nodes und Überraschungen

Eine clevere Funktion: Graphify markiert sogenannte „God Nodes" – die Dateien oder Komponenten mit der höchsten Vernetzung im Graphen. Das sind meist Kernklassen, Entry Points oder kritische Utility-Module.

Noch spannender: Das Tool erkennt „Surprises" – unerwartete querverbindungen zwischen Dateien oder Domänen. Die können auf Designprobleme, undokumentierte Abhängigkeiten oder Investigationsbedarf hinweisen.

In einem Praxisbeispiel mit der httpx-Library fand Graphify eine überraschende Verbindung zwischen DigestAuth und Response. Solche Zusammenhänge sieht man beim Durchlesen einzelner Dateien nicht – im Graphen werden sie sofort klar.

Token-Effizienz, die sich sehen lassen kann

Ein Satz, den man sich merken sollte: Im Benchmark mit gemischten Codebasen (GPT-Framework-Repos plus Forschungsarbeiten) erreichte Graphify eine 71,5-fache Reduktion beim Token-Verbrauch gegenüber naivem Context-Injection.

Das ist kein kleins Detail. Wenn du pro Token für KI-API-Aufrufe zahlst, macht dieser Unterschied ordentlich was aus. Und es geht nicht nur ums Geld – kleinere Context Windows bedeuten schnellere Antworten und weniger Halluzinationsrisiko.

Sicherheit wird mitgedacht

Open-Source-Tools, die URLs abrufen und Code verarbeiten, müssen Sicherheit ernst nehmen. Graphify scheint das zu tun:

• Nur http/https erlaubt
• Größen- und Timeout-Limits bei Downloads
• Path Containment Checks (kein Directory Traversal)
• HTML-Escaping bei allen Node-Labels
• Keine Telemetrie oder Datenweitergabe an Dritte

Dein Code verlässt niemals deine Umgebung. Graphify schickt nur semantische Beschreibungen – nicht den Raw Source – an dein konfiguriertes KI-Modell.

Integration in AI Assistants

Graphify bringt einfache Commands für Claude Code, Codex und OpenCode mit:

• /graphify – Neuen Graphen bauen
• /graphify query <frage> – Fragen zur Codebasis stellen
• /graphify path <datei> – Bestimmte Pfade fokussieren
• /graphify explain – Erklärungen zur Graphstruktur

Die Ausgabe umfasst eine interaktive graph.html-Visualisierung, eine graph.json für programmatischen Zugriff und eine GRAPH_REPORT.md-Audit-Datei.

Ausprobieren

pip install graphifyy
graphify install
graphify ./dein-projekt

Voraussetzungen: Python 3.10+ und ein konfigurierter API-Key für dein bevorzugtes KI-Modell (Claude, OpenAI, etc.).

Wo Graphify seinen Platz findet

Das Tool will weder Sourcegraph's Enterprise-Codesuche ersetzen noch Neo4js allgemeine Graph-Datenbank. Stattdessen findet Graphify eine interessante Nische:

• Semantischer als statische Analysetools
• Strukturierter als Vector-basierte Retrieval
• Speziell für KI-Assistant-Context-Injection gebaut

Für Entwickler, die mit KI-Coding-Assistenten an komplexen Projekten arbeiten – besonders gemischte Codebasen mit Dokumentation und Forschung – füllt das eine echte Lücke.

Der größere Zusammenhang

Graphify steht für einen breiteren Trend: KI-Assistenten, die nicht nur Code generieren, sondern die Systeme verstehen, in denen sie arbeiten. Ein Knowledge Graph ist kein reines Visualisierungstool – er ist eine Reasoning-Struktur, die genauere und kontextbewusstere Vorschläge ermöglicht.

Ob Graphify sich als Standard für KI-Codeverständnis durchsetzt, wird sich zeigen. Aber das Problem ist real. Codebasen sind komplexe, vernetzte Systeme. Vielleicht verdienen sie graphbasierte Tools statt File-Tree-Navigation.

Wenn du dich damit rumärgerst, dass KI-Assistenten die Architektur deines Projekts nicht verstehen – Graphify könnte ein lohnendes Nachmittags-Experiment sein.

Kennst du andere Knowledge-Graph-Tools für Codeverständnis? Wie sind deine Erfahrungen?