Kennisgrafen: hoe AI-ontwikkeling ineens een stuk overzichtelijker wordt
Graphify: context die je AI écht begrijpt
We kennen het probleem allemaal. Je vraagt een AI-assistent om een nieuwe feature te bouwen, krijgt nette code terug — en toch mist er iets. Het model kent de structuur van je project niet. Het weet niet dat één bepaalde HTTP-client klasse de spil vormt waar alles om draait, of dat een onverwachte afhankelijkheid in je authenticatie-laag later voor problemen kan zorgen.
Graphify lost precies dit op. Het bouwt een interactieve kennisgraaf van je hele project, zodat AI-assistenten niet langer blind op losse bestanden stuiten, maar een samenhangend overzicht krijgen.
Wat Graphify doet
In plaats van alleen bestanden te indexeren, maakt Graphify een netwerk van relaties. Het laat zien hoe componenten met elkaar samenhangen, waar de kritieke knooppunten zitten en welke onverwachte verbindingen er bestaan.
Het werkt met drie kerntechnieken:
Statische analyse plus semantiek
Tree-sitter haalt abstract syntax trees en call graphs op uit meer dan negentien programmeertalen. Daar combineert Graphify LLM-gedreven semantiek mee, zodat het niet alleen de structuur ziet, maar ook de bedoeling achter de code.
Multi-modale input
Graphify neemt ook Markdown-documenten, PDF's, diagrammen en afbeeldingen mee. Dit betekent dat je implementatie, je research papers en je architectuurtekeningen in één overzicht samen komen.
Community-detectie
Met het Leiden-algoritme groepeert Graphify automatisch verwante onderdelen in natuurlijke clusters. Zo blijft de graaf snel en begrijpelijk.
De zeven stappen
Graphify volgt een modulaire pipeline:
- Detect — Zoekt alle relevante bestanden in je repository
- Extract — Parseert AST's en haalt semantische betekenis op uit documenten
- Build — Bouwt een NetworkX-graaf
- Cluster — Vindt natuurlijke groepen van verwante code
- Analyze — Identificeert god nodes en markeert cross-cutting concerns
- Report — Maakt een leesbaar auditrapport met inzichten
- Export — Genereert HTML-visualisaties, JSON en Obsidian-compatibele output
Het resultaat: je AI krijgt niet meer een berg losse bestanden,而是 een pre-verwerkte kennisgraaf. Het vraagt nu met real-time context om features.
Real-world examples
In de HTTPx-library (slechts 6 Python bestanden) transformeerde Graphify de data naar 144 nodes, 330 edges en 6 semantic communities. Het toonde onmiddellijk dat Client, AsyncClient en Response de centrale abstr