Graphify: Ge din AI-assistent en karta istället för en hög med filer

Låt oss vara ärliga: de flesta av oss har öppnat en kodbas vi inte rört på månader och känt den där bekanta olusten. Man vet att filerna finns där någonstans. Man har en vag minnesbild av arkitekturen. Men att koppla ihop allt? Det blir snabbt ett arkeologiprojekt.

Graphify vill ändra på det – specifikt för AI-kodningsassistenter.

Vad är Graphify egentligen?

Graphify är en open source-förmåga som bygger en sökbar kunskapsgraf från din gesamta kodbas. Vi snackar källkod, dokumentation, forskningsartiklar och till och med diagram – allt sammanslaget till en enda sökbar graf som förklarar både vad koden gör och varför den är utformad på det sättet.

Tänk på det som att ge din AI-assistent en karta över projektet istället för bara en hög med filer.

Verktyget skapades av Safi Shamsi och är släppt under MIT-licens. Det bygger på stabila, väletablerade grundpelare: NetworkX för grafoperationer och Tree-sitter för statisk kodanalys.

Multi-modal magi

Det som gör Graphify intressant är att det inte bara parser kod. Det hanterar flera olika inputtyper:

• Källkod (.py, .js, .go, .java med mera) — Tree-sitter extraherar abstrakta syntaxträd, call graphs och docstrings
• Markdown och PDF:er — LLM-driven extrahering plockar ut koncept från löpande text
• Diagram och bilder — Vision-modeller läser faktiskt av dina arkitekturdiagram

Den här multi-modala approachen innebär att du inte bara får en call graph. Du får semantiska relationer mellan koncept över olika filtyper och format.

Från rörig repo till interaktiv graf

Pipelinen är rak och kraftfull:

1. Detektera & Samla — Hitta alla relevanta filer
2. Extrahera — Dra ut AST:er och semantiska noder/kanter
3. Bygg — Skapa en NetworkX-graf
4. Klustra — Applicera Leiden-algoritmen för community-detection
5. Analysera — Identifiera "gudnoder" (filer med hög centralitet) och oväntade kopplingar
6. Rapportera — Generera läsbar output

Community-detection-delen är särskilt smart. Istället för att förlita sig på vektorrepresentationer (som kan vara dyrt och oprecist) använder Graphify Leiden-algoritmen för att gruppera relaterad kod i semantiska kluster. Ingen embedding-modell behövs.

Gudnoder och "överraskningar"

En funktion som fastnade för mig: Graphify identifierar det den kallar "gudnoder" – filer eller komponenter med högst konnektivitet i din graf. Det är typiskt sett dina kärnklasser, main entry points eller kritiska delade verktyg.

Ännu mer intressant är att den flaggar "överraskningar" – oväntade korsfiler- eller korsdomänkopplingar som kan indikera designproblem, odokumenterade beroenden eller områden värda att undersöka.

I ett av deras genomgångna exempel med httpx-biblioteket hittade Graphify en överraskande koppling mellan DigestAuth och Response. Den sortens relation som inte är uppenbar från att läsa enskilda filer men blir kristallklar när den visualiseras som en graf.

Token-effektivitetsargumentet

Här är ett nummer värt att minnas: i deras mixed corpus-benchmark (GPT-framework-repos plus forskningsartiklar) uppnådde Graphify en 71,5× reduktion i token-användning jämfört med naiva context injection-metoder.

Det är inte trivialt. När du betalar per token för AI API-anrop spelar det roll att minska frågekostnaderna med den marginalen. Och det handlar inte bara om pengar – mindre context windows betyder snabbare svar och lägre hallucinationsrisk.

Säkerhet som inte ignoreras

Open source-verktyg som hämtar URLs och processar kod behöver ta säkerheten på allvar. Graphify verkar göra det:

• Tillåter endast http/https-URLs
• Storleks- och timeout-begränsningar på nedladdningar
• Path containment-kontroller (ingen directory traversal)
• HTML-escaping på alla nodlabeler
• Ingen telemetri eller tredjeparts datainsamling

Din kod lämnar aldrig din miljö. Graphify skickar endast semantiska beskrivningar (inte rå källkod) till din konfigurerade AI-modell.

Hur det integreras med AI-assistenter

Graphify levereras med enkla kommandon för Claude Code, Codex och OpenCode:

• /graphify — Bygg en ny graf
• /graphify query <fråga> — Ställ frågor om din kodbas
• /graphify path <fil> — Fokusera på specifika sökvägar
• /graphify explain — Få förklaringar av grafstrukturen

Output inkluderar en interaktiv graph.html-visualisering, ett graph.json för programmatisk åtkomst, och en GRAPH_REPORT.md-granskningsfil.

Installation

Om du vill testa det:

pip install graphifyy
graphify install
graphify ./your-project

Krav: Python 3.10+ och en API-nyckel konfigurerad för din föredragna AI-modell (Claude, OpenAI etc.).

Var Graphify passar in i ekosystemet

Det försöker inte ersätta Sourcegraphs enterprise-kodsök eller Neo4j:s general-purpose grafdatabas. Istället intar Graphify en intressant mellanposition:

• Mer semantiskt än statiska analysverktyg
• Mer strukturerat än vektorbaserad retrieval
• Purpose-built för AI-assistent context injection

För utvecklare som jobbar med AI-kodningsassistenter på komplexa projekt – speciellt mixed codebases med dokumentation och forskning – fyller detta en verklig lucka.

Den större bilden

Verktyg som Graphify representerar en bredare trend: AI-assistenter som inte bara genererar kod, utan faktiskt förstår systemen de jobbar med. En kunskapsgraf är inte bara ett visualiseringstrick – det är en resonemangsstruktur som kan stödja mer precisa, kontextmedvetna förslag.

Om Graphify blir standarden för AI-kodförståelse återstår att se. Men problemet det löser är verkligt. Kodbaser är komplexa, sammankopplade system. Kanske förtjänar de graph-baserade verktyg istället för filhanterare som navigerar i trädstrukturer.

Om du har kämpat med att få AI-assistenter att förstå ditt projekts arkitektur kanske Graphify är värt ett eftermiddagsexperiment.