Site **graphify.net**, consulté le **6 août 2026**, maintenu par **Safi Shamsi** — le créateur de la skill open source graphify (cf. [[skill-shamsi-graphify-2026-08-06]]). Le domaine porte deux objets qu'il faut distinguer. **Le premier est une vitrine produit** : présentation de graphify, guides d'usage, référence CLI, et surtout une galerie de **100 dépôts GitHub tendance déjà graphifiés** — *« 100 repos, 854 079 nœuds, 1 932 930 arêtes »* — filtrables par langage et par taille de graphe, chacun avec sa prévisualisation et sa page de détail. **Le second, et c'est le plus intéressant pour une veille, est un annuaire éditorial** : *« 30 AI coding client guides »*, un répertoire de serveurs MCP comparés sur *« transport, runtime, client support, setup effort, and access risks »*, des comparaisons structurées entre outils (Cursor contre Codex), et un flux d'articles au ciblage manifestement longue traîne (*« GLM-5.2 Knowledge Graph for Developers »*, *« Trae Context Engineering for Agents »*, *« Symphony Knowledge Graph for Agent Memory »*, *« What Is Cowart? A Codex Plugin for Image Editing »*). Le site revendique une méthode — *« source-reviewed »*, *« aligned decision fields, official evidence, and explicit unknowns »* — et se décline en six langues. ⚠️ **Le point que cette fiche existe pour consigner** : le site est **factuellement décalé par rapport au produit qu'il présente**. Il annonce **« 3,7k+ GitHub Stars »** quand l'API GitHub en compte **103 187** le même jour, une **licence MIT** répétée trois fois quand le fichier `LICENSE` du dépôt est une **Apache 2.0**, et met en avant l'argument **« 71,5× de réduction de tokens »** qui appartient au README de la génération v1 et a disparu de la version courante. **Un site officiel qui affiche 3,7 % du nombre d'étoiles réel et se trompe de licence** est un signal en soi : la couche de communication n'a pas suivi le rythme du dépôt.
#graphify.net#annuaire d'outils IA#directory
**Safi Shamsi** — mainteneur déclaré en pied de page (*« © 2026 Graphify. Built in the open. Maintained by Safi Shamsi »*) · également créateur de la skill graphify et fondateur de **Graphify Labs** (Y Combinator S26). Le site est donc une **propriété officielle du projet** · non un site tiers.
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.
Étude empirique de l'équipe engineering **Compare the Market** (Meerkat Careers, UK) qui évalue quatre approches de **récupération de contexte pour la revue de code par IA** : Baseline (pas de contexte additionnel), **RAG** (recherche vectorielle), **GKG** (GitLab Knowledge Graph, graphe de connaissances AST) et **GKG+RAG** (hybride). Évaluation sur **79 merge requests** réelles avec **MLflow sur Databricks**. Résultat-choc : **RAG performe pire que le baseline** sur presque toutes les métriques — le bruit vectoriel est contre-productif pour la revue de code. **GKG surpasse RAG de +21 %** en couverture des commentaires inline (0,696 vs 0,577) grâce à la compréhension structurelle AST (Tree-sitter + base de graphe Kuzu). Le code exige une compréhension **structurelle** (appelants, signatures, hiérarchies), pas une simple similarité sémantique. GKG coûte 4× le baseline mais délivre des améliorations mesurables ; RAG coûte 3× sans amélioration. Implémentation en **sidecar Docker** CI/CD wrappant le binaire GKG (encore en bêta GitLab) avec serveur MCP local.
#Compare the Market#Meerkat Careers#revue de code IA
Équipe Engineering Compare the Market (Meerkat Careers, UK — site de comparaison d'assurances et services financiers).