graphify — « Turn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store. »

Punti chiave

1. Natura. skill /graphify + CLI Python, Apache-2.0, distribuita su PyPI con il nome graphifyy (due y, in attesa che graphify venga recuperato). Installazione tramite uv tool install graphifyy && graphify install. Funziona in Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot e una quindicina di altri client.
2. ⭐⭐ I tre impegni di progettazione, e reggono insieme. 1. Il codice viene analizzato in locale, senza LLM. AST tree-sitter, deterministico, « nulla lascia la tua macchina ». Un corpus puramente di codice non richiede alcuna chiave API e funziona offline. Documenti, PDF e immagini, invece, passano attraverso un modello. 2. Ogni arco porta la propria provenienza. EXTRACTED = esplicito nella fonte; INFERRED = risolto da graphify; AMBIGUOUS nel report. « Sai sempre cosa è stato trovato e cosa è stato ipotizzato. » 3. Nessun indice vettoriale. Nessun embedding, nessun vector store: un grafo che si attraversa. → I tre si rafforzano a vicenda: il determinismo azzera il costo, il costo zero rende possibile una ricostruzione frequente, e l'etichettatura degli archi rende il risultato verificabile. Stessa famiglia di ragionamento dell'eseguibile che supera il brief in [[lassiege-usine-logicielle-heure-ia-2026-07-28]].
3. ⭐ Il grafo sostituisce grep, ed è questo l'argomento d'uso. query "<domanda>" restituisce un sottografo per una domanda in linguaggio naturale, path A B traccia il percorso tra due entità, explain X sviluppa il vicinato di un concetto. L'esempio del README lo dimostra: path "FastAPI" "ModelField" restituisce un percorso a tre salti con il tipo di ciascun arco. Si chiede una relazione, non una corrispondenza di stringa. È esattamente il vantaggio che Hugo Lassiège attribuisce a GitNexus in [[lassiege-usine-logicielle-heure-ia-2026-07-28]] — « cercare un flusso di esecuzione piuttosto che fare grep sul nome di una funzione », e « il punto reale non è la velocità, è individuare tutti gli effetti collaterali ».
4. ⭐⭐ La tabella dei benchmark, letta correttamente — la riga che conta non è una vittoria. | Benchmark | Metrica | graphify | Settore | |---|---|---|---| | LOCOMO (n=300) | recall@10 | 0,497 | supermemory 0,149 · mem0 0,048 | | LOCOMO (n=300) | accuratezza QA | 45,3% | supermemory 49,7% · mem0 27,3% | | LongMemEval-S (n=50) | accuratezza QA | 76% | a pari merito con un RAG denso | | Costruzione del grafo | crediti LLM | 0 | fatturati per token altrove | → graphify domina largamente sul recall, perde sull'accuratezza QA, pareggia con il RAG denso sul secondo benchmark e costruisce il proprio grafo gratuitamente. Il differenziatore difendibile è quindi il costo e la tracciabilità, non la qualità delle risposte. Presentare graphify come « migliore del RAG » sarebbe una sovrainterpretazione contraddetta dai suoi stessi numeri. Protocollo accreditato: stesso harness, stesso modello, stessi budget, giudice validato alla cieca rispetto a un secondo giudice (90,6% di accordo, kappa di Cohen 0,81).
5. ⭐ Da confrontare con l'unica cifra comparabile del corpus. Compare the Market ha misurato un grafo AST al ~70% contro ~58% per un RAG vettoriale su 79 merge request, con il RAG che ottiene risultati peggiori dell'assenza di contesto (cfr. [[comparethemarket-context-retrieval-ai-code-review-gkg-rag-2026-03-06]], ripreso in [[sfeir-code-review-anneau-contraintes-2026-07-30]]). Due misurazioni indipendenti convergono sulla superiorità del grafo strutturato per il codice — e graphify aggiunge che la costruzione non costa nulla.
6. Copertura delle fonti — più ampia di "solo codice". 36 grammatiche tree-sitter che coprono ~40 linguaggi (fino a CUDA, Metal, Zig, Elixir, Julia, Dart, SystemVerilog, Delphi, Fortran), oltre a SQL, Terraform/HCL, Apex Salesforce, configurazioni MCP (.mcp.json, claude_desktop_config.json — estrae server, pacchetti e variabili d'ambiente richieste), manifest di pacchetti (pyproject.toml, go.mod, pom.xml — un nodo canonico per pacchetto, quindi un unico hub), Office, Google Workspace, PDF, immagini, video e audio. ⭐ Applicare graphify alle proprie configurazioni MCP è un modo inatteso e immediatamente utile per mappare la propria superficie di strumenti.
7. Il "perché" estratto come oggetto di primo livello. i commenti # NOTE:, # WHY:, # HACK:, i docstring e il ragionamento di progettazione presenti nella documentazione diventano nodi separati collegati al codice che spiegano. → L'intento è trattato come un'entità del grafo, il che affronta direttamente il debito di comprensione: si può chiedere perché, non solo cosa.
8. Aggiornamento del grafo, tre meccanismi. cache SHA256 (vengono rielaborati solo i file modificati), --watch (ricostruzione istantanea al salvataggio di un file di codice, solo AST, nessun LLM; documenti e immagini segnalano che è necessario un --update) e graphify hook install (hook post-commit, nessun processo in background). La modalità --watch è esplicitamente giustificata per i flussi di lavoro multi-agente: « il grafo resta aggiornato automaticamente tra un'ondata e l'altra ».
9. Output per gli agenti. --wiki produce articoli in stile enciclopedico per ciascuna comunità con un index.md, « punta qualsiasi agente su index.md e potrà navigare la base di conoscenza leggendo file invece di analizzare JSON ». E --mcp avvia un server MCP stdio. Esportazioni verso Obsidian, GraphML (Gephi, yEd), Neo4j (cypher), SVG. → Il grafo è costruito per essere letto da una macchina, con più punti d'ingresso a seconda dello strumento. Stessa intenzione del markdown servito agli agenti in [[martinho-allen-cloudflare-markdown-for-agents-2026-02-12]].
10. ⚠️ Privacy — il confine è sottile, vale la pena conoscerlo.
11. In locale. codice (tree-sitter), video e audio (faster-whisper). Un corpus solo di codice funziona offline, e --code-only forza questa modalità su un repository misto.
12. Inviato al modello. documenti, PDF, immagini. In modalità headless è richiesta una chiave API, con una catena di priorità automatica (Gemini → Kimi → Claude → OpenAI → DeepSeek → Azure → Bedrock → Ollama). ⚠️ Kimi instrada verso i server di Moonshot AI in Cina — il README lo segnala, e --backend ollama offre una modalità interamente locale.
13. Nessuna telemetria. , nessun tracciamento dell'utilizzo.
14. ⚠️ Ma un log delle query viene scritto per impostazione predefinita in ~/.cache/graphify-queries.log (timestamp, domanda, corpus, nodi restituiti, durata). I sottografi non vengono memorizzati. Disattivabile tramite GRAPHIFY_QUERY_LOG_DISABLE=1. Locale, ma attivo senza opt-in: da tenere presente prima di un utilizzo in un contesto sensibile.
15. ⚠️ Due trappole documentali nel repository stesso. 1. Il branch main è obsoleto. Porta un README dell'epoca v1 (7 KB) che descrive « una skill Claude Code » per un singolo client, mette in evidenza l'affermazione dei « 71,5× meno token » su un corpus Karpathy di 52 file, e punta ancora a safishamsi/graphify. Il branch predefinito è v8 (57 KB), che descrive un prodotto multi-client e mette in evidenza i benchmark LOCOMO/LongMemEval. Leggere v8, mai main. 2. Il nome del pacchetto: pip install graphifyy (due y). Il comando CLI e della skill restano graphify.
16. Modello di business, da monitorare. la skill open source è il punto d'ingresso verso una piattaforma commerciale su graphify.com — « il livello sempre attivo… applica lo stesso approccio a grafo all'intero contesto di lavoro: riunioni, file, documenti e codice, aggiornandosi continuamente in background », attualmente in lista d'attesa, con una prova gratuita annunciata. Open source locale da un lato, servizio ospitato continuo dall'altro: uno schema classico, da considerare in qualsiasi decisione di adozione.
17. ⚠️ La trazione richiede una lettura prudente. 103.187 stelle in quattro mesi è un ritmo eccezionale, anche per uno strumento virale. La cifra è quella restituita dall'API GitHub il 6 agosto 2026; non dice nulla sull'utilizzo effettivo, e il sito ufficiale del progetto mostra ancora 3.700 (cfr. [[graphify-net-annuaire-ia-coding-2026-08-06]]), segno che la comunicazione non ha tenuto il passo. Citare il numero di stelle come segnale di attenzione, mai come misura di adozione.
18. Meta / riferimenti incrociati. stessa famiglia di [[skill-gibbs-hyperresearch-2026-08-03]] (archiviazione persistente, provenienza, output leggibile dagli agenti), ma per il codice piuttosto che per la ricerca documentale; realizza in forma di prodotto ciò che Hugo Lassiège ottiene da GitNexus in [[lassiege-usine-logicielle-heure-ia-2026-07-28]]; convergenza numerica con [[comparethemarket-context-retrieval-ai-code-review-gkg-rag-2026-03-06]] e [[sfeir-code-review-anneau-contraintes-2026-07-30]] su grafo AST contro RAG vettoriale; si inserisce nel contesto codificato di [[vasilopoulos-codified-context-infrastructure-ai-agents-2026-02-24]] e nelle piattaforme di contesto di [[memodb-acontext-context-data-platform-agents-2025-12-11]]; parentela formale con altre voci di tipo skill, [[skill-pocock-grill-with-docs-2026-06]]; meccanica delle skill in [[agent-skills-anthropic-2025-10-16]], [[shihipar-claude-code-lessons-building-skills-2026-06-03]] e [[vincent-superpowers-agentic-skills-framework-github-2026-04-02]]. ⚠️ Disambiguazione: il sito graphify.net è una proprietà distinta da graphify.com (la piattaforma commerciale) — vedi la voce dedicata.