Graphify : l'outil qui cartographie enfin vos projets complexes

Avouons-le : rouvrir un projet dormant depuis des mois, c'est un peu comme débarquer en terre inconnue. Les fichiers sont là, la structure vous dit vaguement quelque chose, mais reconstituer le puzzle complet ? Preparez-vous pour une expédition archéologique.

Graphify propose une alternative concrète — du moins pour ceux qui bosquent avec des assistants IA.

Le pitch en deux phrases

Graphify est un outil open source qui transforme n'importe quelle base de code en graphe de connaissances interrogeable. L'idée ? Offrir à votre assistant IA une vraie carte du projet au lieu d'un simple amas de fichiers.

Créé par Safi Shamsi, distribué sous licence MIT, le projet s'appuie sur des briques solides : NetworkX pour les opérations sur graphes, Tree-sitter pour l'analyse statique du code.

Le multi-modal, ce n'est pas qu'un mot à la mode

Ce qui m'a accroché direct : Graphify ne se limite pas à parser du code. L'outil avale plusieurs formats :

• Code source (.py, .js, .go, .java…) — Tree-sitter sort les arbres syntaxiques, les graphes d'appels, les docstrings
• Markdown et PDFs — Un LLM extrait les concepts depuis la prose
• Diagrammes et images — Des modèles de vision lisent vos schémas d'architecture

Résultat : vous ne得到的 pas juste un call graph basique. Vous avez des relations sémantiques entre concepts, peu importe le format d'origine.

Le pipeline en six étapes

Le fonctionnement se décompose proprement :

1. Détecter — Repérer tous les fichiers pertinents
2. Extraire — Arracher les AST et les nœuds/relations sémantiques
3. Construire — Forger un graphe NetworkX
4. Regrouper — Appliquer l'algorithme de Leiden pour la détection de communautés
5. Analyser — Repérer les « god nodes » et les connexions inattendues
6. Rapporter — Sortir un rapport lisible

Le regroupement via Leiden, c'est malin. Pas besoin de modèles d'embedding (chers et parfois imprécis). L'algorithme groupe le code apparenté en clusters sémantiques purs.

Les « god nodes » et les surprises

Fonctionnalité qui tape dans l'œil : l'identification des « god nodes ». Ce sont les fichiers ou composants les plus connectés du graphe — vos classes centrales, vos points d'entrée, vos utilitaires critiques.

Plus fun encore : les « surprises ». Ce sont des connexions transverses que le tool détecte entre fichiers ou domaines différents. En général, ça signale soit un problème de design, soit une dépendance non documentée, soit un truc à investiguer.

Dans leur example avec la bibliothèque httpx, Graphify a repéré une relation inattendue entre DigestAuth et Response. Relation invisible en lisant les fichiers un par un, mais limpide une fois visualisée en graphe.

L'argument efficacité token

Un chiffre qui reste en tête : dans leur benchmark sur un corpus mixte (repos GPT + papers de recherche), Graphify a affiché une réduction de 71,5× en consommation de tokens par rapport à l'injection de contexte naïve.

Ça compte. Quand vous payez à la requête API, diviser les coûts par 70, ça change le calcul. Et le win n'est pas que financier — des contextes plus petits signifient des réponses plus rapides et moins de risques d'hallucination.

La sécurité, sérieuse cette fois

Un outil open source qui télécharge des URLs et traite du code, ça peut faireflipper. Graphify semble prendre le sujet au sérieux :

• Protocoles http/https uniquement
• Limites de taille et timeouts sur les téléchargements
• Vérifications anti path traversal
• Échappement HTML sur tous les labels de nœuds
• Zéro télémétrie, zéro donnée tierce

Votre code ne quitte jamais votre environnement. Graphify n'envoie que des descriptions sémantiques (pas le source brut) à votre modèle IA.

L'intégration avec les assistants IA

Des commandes prêtes à l'emploi pour Claude Code, Codex et OpenCode :

• /graphify — Construire un nouveau graphe
• /graphify query <question> — Poser des questions sur le projet
• /graphify path <fichier> — Concentrer sur des chemins précis
• /graphify explain — Obtenir des explications sur la structure du graphe

En sortie : un graph.html interactif, un graph.json pour accès programmatique, et un GRAPH_REPORT.md d'audit.

L'installation

pip install graphifyy
graphify install
graphify ./votre-projet

Prérequis : Python 3.10+ et une clé API configurée pour votre modèle préféré (Claude, OpenAI, etc.).

La place de Graphify dans l'écosystème

Ce n'est pas un concurrent de Sourcegraph pour la recherche enterprise ou de Neo4j pour les graphes généralistes. Graphify occupe un créneau malin :

• Plus sémantique que les outils d'analyse statique
• Plus structuré que la recherche vectorielle
• Bâti spécifiquement pour l'injection de contexte dans les assistants IA

Pour les devs qui bossent avec des assistants IA sur des projets complexes — surtout les codebases mixtes avec doc et recherche — c'est un vrai填补 (bourrage de trou, comme on dit).

La vue d'ensemble

Des outils comme Graphify traduisent une tendance de fond : des assistants IA qui ne se contentent plus de générer du code, mais qui comprennent vraiment les systèmes sur lesquels ils bossent. Un graphe de connaissances, ce n'est pas qu'un gadget de visualisation — c'est une structure de raisonnement qui permet des suggestions plus pertinentes et contextuelles.

Est-ce que Graphify deviendra le standard de la compréhension de code par IA ? L'avenir le dira. Mais le problème qu'il résout, lui, est bien réel. Les codebases sont des systèmes complexes et interconnectés. Peut-être qu'elles méritent des outils adaptés à leur nature — et pas juste des explorateurs d'arborescence.

Si vous galérez à faire comprendre l'architecture de vos projets à des assistants IA, Graphify mérite clairement un essai.

Tu as testé des outils de graphe de connaissances pour comprendre du code ? Balance ton retour en commentaires.