Graphify — 文件夹级知识图谱工具（83K⭐）
Codex 核验（2026-10-10）：当前官方仓库为 Graphify-Labs/graphify，默认分支 v8；10 月 9 日 API 快照为 124,844 stars、Apache-2.0，本文 83K 等数字保留为历史快照。当前代码 AST 建图可本地、确定性且不调用 LLM；文档、PDF、图片等语义处理使用宿主模型或配置后端，不能把整个流程概括为零模型费用、完全不外发。README 明确提供可选
graphifyy[mcp]stdio 服务，skill 和 MCP 是不同接入方式；小样本 context reduction 不等于整项任务账单下降。
研究日期：2026-07-13 | 来源：Sticky Notes Board
概述
Graphify-Labs/graphify（原名 glennreyes/graphify）是一款 Claude Code skill，可将任意文件夹（代码、文档、论文、截图、白板照片等）转化为可查询的知识图谱。当前 83,352 ⭐。
pip install graphifyy && graphify install
# 然后在 Claude Code 中:
/graphify . # 在当前目录构建知识图谱
/graphify ./raw --mode deep # 更激进的关系抽取
/graphify ./raw --mcp # 启动 MCP stdio 服务核心指标
| 指标 | 值 |
|---|---|
| ⭐ | 83,352 |
| 许可 | MIT |
| 技术栈 | NetworkX + Leiden (graspologic) + tree-sitter + Claude + vis.js |
| 输入 | 代码 / Markdown / PDF / 图片 / 截图 / 白板照片 |
| 输出 | HTML 图谱 / Obsidian vault / Wiki / graph.json / SVG / GraphML / Neo4j Cypher |
| Token 缩减 | 71.5x（52 文件混合语料测试） |
| MCP | ✅ 内置 stdio 服务器 |
7 阶段流水线
detect() → extract() → build_graph() → cluster() → analyze() → report() → export()
每阶段是独立模块，通过 nx.Graph / dict 通信，零共享状态：
| 模块 | 功能 |
|---|---|
| detect.py | 收集文件（按扩展名过滤） |
| extract.py | 每文件提取节点+边（tree-sitter AST + call-graph + Claude vision） |
| build.py | 合并提取结果 → NetworkX Graph |
| cluster.py | Leiden 社区检测 → 每个节点打 community 标签 |
| analyze.py | 识别 God Nodes（中心节点）、意外连接、推荐问题 |
| report.py | 渲染 GRAPH_REPORT.md |
| export.py | 导出到 Obsidian / HTML / SVG / GraphML / Neo4j |
置信度标签（关键设计）
每条边标注来源置信度，透明区分”发现”与”猜测”：
| 标签 | 含义 |
|---|---|
EXTRACTED | 源文件中明确声明（如 import 语句、直接调用） |
INFERRED | 合理推断（如 call-graph 二次传递、上下文共现） |
AMBIGUOUS | 不确定，标记给人工审查 |
MCP 工具
内置 MCP stdio 服务器，暴露 7 个工具：
| 工具 | 功能 |
|---|---|
query_graph | BFS/DFS 搜索知识图谱，返回子图文本 |
get_node | 按标签/ID 查节点详情 |
get_neighbors | 查指定节点所有邻居（可按关系类型过滤） |
get_community | 按社区 ID 查全部节点 |
god_nodes | 返回度数最高的节点（核心抽象） |
graph_stats | 节点/边/社区/置信度分布统计 |
shortest_path | 两概念间最短路径 |
与 gbrain 的关联分析
可直接借鉴的设计
- 置信度标签 — gbrain 的图边可以引入
confidence: extracted|inferred|ambiguous，提升用户对 AI 生成关系的信任 - MCP 暴露图查询 — gbrain 已有 query / search / think 工具，但 Graphify 的
query_graph（BFS/DFS 子图提取）模式简洁有效 - God Nodes 分析 — 识别知识图谱中的”枢纽节点”可帮助理解哪些概念连接最多，利于知识管理
- 社区检测 — gbrain 可以用 Leiden 聚类自动发现知识社区，辅助 find_anomalies
- Pipeline 架构 — detect→extract→build→cluster→analyze→report→export 每步独立可替换
gbrain 已有但 Graphify 没有的
| 维度 | gbrain | Graphify |
|---|---|---|
| 持久存储 | PostgreSQL + pgvector | graph.json 文件 |
| 长期记忆 | 永久存储 + 版本历史 | 每次重跑重建 |
| 多 Agent 共享 | ✅ NATS + 全局 brain | ❌ 单 Agent |
| 语义搜索 | 向量 + BM25 + RRF | 仅 BFS/DFS |
| 事实提取 | extract_facts + recall | 一次性分析 |
集成可能性
Graphify 的 MCP 服务器可以直接注册为 Hermes 的外部 MCP 工具，在需要时加载代码库知识图谱。但与现有的 codebase-memory MCP 工具功能重叠——建议二选一或评估 codebase-memory + gbrain 的组合是否已覆盖。
其他参考
- treasure-hunt-github-gems（原文已不存在） — 类似项目的知识清单
- loop-engineering-guardrails — 自主性循环框架
- multi-layer-memory-system — 多层记忆系统架构
- autonomy-system-build-plan — 自主性系统构建计划
结论
Graphify 是目前最成功的知识图谱 AI Skill（83K⭐），其核心贡献不是技术革新，而是设计模式创新：将”文件夹→知识图谱”做成一个可交付的、透明的、低门槛的工具。对 gbrain 来说，最有价值的借鉴是 置信度标签系统 和 MCP 图查询接口设计——这两者可以低成本合并到现有系统中。