单日 1,408 星：Graphify 抛弃向量库，把整个代码库变成一张能点开的知识图谱

摘要：Graphify 用本地 tree-sitter AST 解析把代码、文档、SQL schema 和 PDF 映射成可查询的知识图谱，每条边都标注来源，构建过程零 LLM 消耗。它在 LOCOMO 基准上以 0.497 的 recall@10 远超 mem0 的 0.048，今日以单日 1,408 星登顶热度。

在”RAG + 向量库”几乎成为 AI 理解代码库的标准答案时，Graphify-Labs/graphify 给出了另一个方向：不用向量，建图。这个 YC S26 孵化的 Python 项目今日以单日新增 1,408 星的势头冲上 Trending，总星数已达 133,019，是当日榜单最热的项目。

它的核心主张是”用查询取代逐文件 grep”。在 AI 编码助手里输入 /graphify，它会把整个项目——代码、文档、SQL schema、配置文件，甚至 PDF、图片和视频——映射成一张知识图谱。关键设计在于：代码部分完全在本地用 tree-sitter 做 AST 解析，确定性执行、不调用 LLM、没有任何数据离开你的机器；只有文档和媒体的语义处理才会用到你配置的模型。

两个细节能看出这个项目的严谨程度。其一，图谱里每条边都带标记：EXTRACTED 表示源代码中明确存在，INFERRED 表示由解析推断得出——你能分清哪些是直接读到的事实，哪些是推测。其二，它明确声明”不是向量索引”：没有嵌入、没有向量存储，是一张可以真正遍历的图，你可以问问题、追踪两个事物之间的路径，或者解释某一个概念。

实际使用只要两个命令：uv tool install graphifyy 装好 CLI（注意 PyPI 包名是双 y 的 graphifyy），跑一次 graphify install 自动检测你用的助手并注册技能，然后在 Claude Code、Cursor、Codex、Gemini CLI 等 20 多个助手里输入 /graphify .。约 30 秒后得到三个文件：可在浏览器里点击、筛选、搜索的 graph.html，提炼要点的 GRAPH_REPORT.md，以及可反复查询、无需重读源文件的 graph.json。

能力清单上，跨文件链接（calls/imports/inherits/mixes_in）覆盖约 40 种语言；Leiden 社区检测自动把图谱拆成子系统并打上无需 LLM 的标签；代码里的 # NOTE:/# WHY: 注释和 ADR/RFC 引用会成为一等节点链接到代码。

基准测试是它敢于挑战主流叙事的底气：在 LOCOMO（n=300）上 recall@10 达 0.497，对比 mem0 的 0.048 和 supermemory 的 0.149；LongMemEval-S QA 准确率 76%，与 dense RAG 持平；而图谱构建全程消耗 0 个 LLM credit。所有对比在同一测试框架、同一模型与预算下完成，评审盲测一致性 90.6%。

对每天在大型代码库里和 Agent 一起工作的开发者来说，Graphify 证明了”让 AI 理解项目”不一定非要把代码切碎塞进向量库——一张结构清晰、每条边可解释的图，可能更接近人类工程师理解代码的方式。

仓库地址：https://github.com/Graphify-Labs/graphify