Fiche de **Skill** (et non d'article) : **graphify** de **Safi Shamsi** (Graphify Labs, **Y Combinator S26**) transforme un projet entier — code, docs, PDF, images, vidéos — en **graphe de connaissance interrogeable**, invocable par `/graphify` depuis Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot et une quinzaine d'autres clients. Observé le **6 août 2026** : **103 187 étoiles**, **10 024 forks**, dépôt créé le **3 avril 2026** — soit une traction hors norme en quatre mois. **Apache-2.0**, Python 3.10+, branche par défaut **v8**. **Les trois partis pris de conception tiennent en trois lignes du README** : *« Code maps for free, fully local »* (le code est parsé en **AST tree-sitter**, déterministe, sans LLM, **rien ne quitte la machine**) ; *« Every edge is explained »* (chaque arête est étiquetée **`EXTRACTED`** — explicite dans la source — ou **`INFERRED`** — résolue par graphify —, une troisième valeur `AMBIGUOUS` apparaissant dans le rapport) ; et *« Not a vector index »* — *« no embeddings, no vector store: a real graph you traverse »*. **Trois sorties** : `graph.html` (graphe interactif), `GRAPH_REPORT.md` (god nodes, connexions surprenantes, questions suggérées) et `graph.json` (graphe persistant, interrogeable des semaines plus tard sans relire les fichiers). **Trois modes d'interrogation** remplacent le grep : `query` (sous-graphe pour une question en langue naturelle), `path A B` (plus court chemin entre deux entités) et `explain` (voisinage d'un concept). **Couverture** : 36 grammaires tree-sitter (~40 langages), plus Terraform, Apex, **configurations MCP**, manifestes de paquets, Office, Google Workspace, PDF, images, et vidéo/audio transcrits **localement** par faster-whisper. Communautés détectées par **Leiden**, labellisées **sans LLM**. ⭐ **Le résultat de benchmark le plus intéressant n'est pas une victoire mais une gratuité** : sur LOCOMO, graphify obtient un **recall@10 de 0,497** contre 0,149 pour supermemory et 0,048 pour mem0, mais **perd en exactitude QA** (45,3 % contre 49,7 %) ; sur LongMemEval-S il fait **76 %, à égalité avec un RAG dense** ; et la ligne qui compte est *« Graph build — LLM credits : **0** »* là où le champ facture au token. ⚠️ **Points à consigner** : la branche `main` porte un README de l'ère v1 qui décrit un produit différent (skill Claude Code uniquement, argument « 71,5× moins de tokens ») ; le paquet PyPI s'appelle **`graphifyy`** avec deux *y*, le temps que le nom `graphify` soit récupéré ; et un **journal de requêtes** est écrit par défaut dans `~/.cache/graphify-queries.log`, désactivable par variable d'environnement.
#skill#graphe de connaissance#knowledge graph
**Safi Shamsi** — créateur et mainteneur de graphify · et de **Graphify Labs** · société passée par **Y Combinator (promotion S26)** selon le badge du dépôt. Il maintient aussi le site d'annuaire `graphify.net` (cf. [[graphify-net-annuaire-ia-coding-2026-08-06]]) et publie un livre · *The Memory Layer* · sur les idées et l'architecture derrière le projet.
Fiche de **Skill** (et non d'article) : **hyperresearch** de **Jordan Gibbs** est un **harnais de deep research** qui transforme Claude Code en agent de recherche documentaire, livré comme paquet PyPI (MIT, Python 3.11-3.13) installant **20 skills Claude Code** + une CLI + un serveur MCP + une UI web locale. Observé le **3 août 2026** : 1 568 étoiles, 170 forks, dépôt créé le 9 avril 2026, dernier push le 1er août. **Le cœur est un pipeline en 16 étapes adaptatif par paliers** (`light` ~30-40 min → `full` ~1,5-2,5 h → `dissertation` 4-8 h et 25 000-80 000 mots sur 300-450 sources), qui prend un prompt et rend un rapport **audité de façon adverse** avec provenance complète. **La décision d'architecture centrale, et la plus instructive, est documentée avec son mode d'échec** : la skill d'entrée est un **routeur mince** qui ne contient aucune procédure, chaque étape vivant dans sa propre skill chargée **fraîche au moment de son invocation** — parce que la version précédente était *« one 1200-line skill that got compacted away by the time Layer 4 needed its triple-draft procedure. The orchestrator forgot the procedure, wrote a single draft, and produced a flat-scoring report. »* **Deux principes porteurs** : *« Patch, never regenerate »* — après la synthèse, seules des retouches chirurgicales `Edit` sont possibles, le patcheur et l'auditeur de polissage étant **verrouillés à `[Read, Edit]` au niveau de l'allowlist Claude Code**, si bien qu'ils *« physically cannot Write a new draft »* ; et *« canonical research query is gospel »* — le prompt verbatim est persisté une fois dans `query.md` et relu par chaque étape et chaque sous-agent. **Seize sous-agents** au rôle et au modèle configurables (fetchers et cite-checker en Sonnet, critiques/synthétiseur/patcheur en Opus). **Le vault** est un magasin markdown persistant indexé en SQLite — *« Markdown is truth, SQLite is cache »* — avec cycle de vie des notes (`draft → review → evergreen`, `stale → deprecated → archive`), provenance traçable, score de qualité composite (type de source, autorité de citation via OpenAlex/Semantic Scholar **avec indicateurs de rétractation**, PageRank interne) et **audit d'indépendance** qui regroupe les copies syndiquées — *« five reprints of one press release argue with the weight of one source »*. **Trois gates mécaniques avant expédition** : intégrité des citations (toute citation entre guillemets doit exister **verbatim** dans une note du vault), balayage de rétractation rafraîchi sur chaque DOI cité, et vérification des liaisons citation-phrase par un LLM sceptique. ⚠️ **Réserve majeure à porter** : la promesse d'ouverture — *« currently leads the DeepResearch-Bench RACE leaderboard »* — est contredite par sa propre note de bas de page, *« forward-looking projection from a stratified pilot… Third party validation is pending »*. Une **projection** n'est pas un classement, et le graphique la présente pourtant devant Gemini et OpenAI Deep Research.
#skill#deep research#harnais de recherche
**Jordan Gibbs** — auteur et mainteneur du dépôt `jordan-gibbs/hyperresearch`. Le projet est distribué sous **licence MIT** et publié sur **PyPI** (`pip install hyperresearch`). Signaux d'adoption au 3 août 2026 : **1 568 étoiles** · **170 forks** · 13 issues ouvertes · dépôt créé le **9 avril 2026** et poussé le **1er août 2026** — soit une traction rapide sur moins de quatre mois. Topics déclarés : `agents` · `agentskills` · `claude-code` · `deep-research` · `deep-research-agent`.
Fiche de **Skill** (et non d'article) : `grill-with-docs` de Matt Pocock est une technique d'interview structurée qui « cuisine » (*grill*) un plan d'architecture en le confrontant méthodiquement au vocabulaire métier du projet (glossaire `CONTEXT.md`) et aux décisions déjà documentées (ADR). Plutôt que de foncer dans l'implémentation, elle challenge les hypothèses une par une via un dialogue question/réponse, nettoie la terminologie, vérifie la cohérence avec le code réel, et capture les décisions au fil de l'eau dans les bons artefacts. Skill de conception en amont, d'inspiration Domain-Driven Design.
#skill#grilling#interview adversariale
Matt Pocock