**Voce di tipo Skill** (non un articolo): **graphify** di **Safi Shamsi** (Graphify Labs, **Y Combinator S26**) trasforma un intero progetto — codice, documenti, PDF, immagini, video — in un **grafo di conoscenza interrogabile**, invocato tramite `/graphify` da Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot e una quindicina di altri client. Osservato il **6 agosto 2026**: **103.187 stelle**, **10.024 fork**, repository creato il **3 aprile 2026** — una traiettoria straordinaria in quattro mesi. **Apache-2.0**, Python 3.10+, branch predefinito **v8**. **I tre impegni di progettazione stanno in tre righe del README**: *« Mappe del codice gratuite, completamente locali »* (il codice viene analizzato in **AST tree-sitter**, deterministico, senza LLM, **nulla lascia la macchina**); *« Ogni arco è spiegato »* (ogni arco è etichettato **`EXTRACTED`** — esplicito nella fonte — o **`INFERRED`** — risolto da graphify —, con un terzo valore `AMBIGUOUS` che compare nel report); e *« Non è un indice vettoriale »* — *« nessun embedding, nessun vector store: un vero grafo che si attraversa »*. **Tre output**: `graph.html` (grafo interattivo), `GRAPH_REPORT.md` (nodi god, connessioni sorprendenti, domande suggerite) e `graph.json` (grafo persistente, interrogabile settimane dopo senza rileggere i file). **Tre modalità di interrogazione** sostituiscono grep: `query` (sottografo per una domanda in linguaggio naturale), `path A B` (percorso più breve tra due entità) ed `explain` (vicinato di un concetto). **Copertura**: 36 grammatiche tree-sitter (~40 linguaggi), oltre a Terraform, Apex, **configurazioni MCP**, manifest di pacchetti, Office, Google Workspace, PDF, immagini e trascrizioni video/audio **in locale** tramite faster-whisper. Comunità rilevate tramite **Leiden**, etichettate **senza LLM**. ⭐ **Il risultato di benchmark più interessante non è una vittoria ma una vittoria gratuita**: su LOCOMO, graphify ottiene un **recall@10 di 0,497** contro 0,149 di supermemory e 0,048 di mem0, ma **perde sull'accuratezza QA** (45,3% contro 49,7%); su LongMemEval-S ottiene **76%, a pari merito con un RAG denso**; e la riga che conta è *« Costruzione del grafo — crediti LLM: **0** »*, laddove il settore fattura tipicamente per token. ⚠️ **Punti da annotare**: il branch `main` porta un README dell'epoca v1 che descrive un prodotto diverso (skill Claude Code soltanto, l'affermazione dei « 71,5× meno token »); il pacchetto PyPI si chiama **`graphifyy`** con due *y*, in attesa che il nome `graphify` venga recuperato; e un **log delle query** viene scritto per impostazione predefinita in `~/.cache/graphify-queries.log`, disattivabile tramite una variabile d'ambiente.
#skill#grafo di conoscenza#grafo di conoscenza
**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.
Voce **Skill** (non un articolo): **hyperresearch** di **Jordan Gibbs** è un **harness di ricerca approfondita** che trasforma Claude Code in un agente di ricerca documentale, distribuito come pacchetto PyPI (MIT, Python 3.11-3.13) che installa **20 skill di Claude Code** + una CLI + un server MCP + un'interfaccia web locale. Osservato il **3 agosto 2026**: 1.568 stelle, 170 fork, repository creato il 9 aprile 2026, ultimo push il 1° agosto. **Il nucleo è una pipeline a 16 step adattiva per livello** (`light` ~30-40 min → `full` ~1,5-2,5 h → `dissertation` 4-8 h e 25.000-80.000 parole su 300-450 fonti), che prende un prompt e restituisce un report **sottoposto ad audit avversariale** con provenienza completa. **La decisione architetturale centrale — e la più istruttiva — è documentata insieme al suo modo di fallimento**: la skill di ingresso è un **router leggero** che non contiene alcuna procedura, ogni step vive nella propria skill caricata **fresca al momento dell'invocazione** — perché la versione precedente era *« una singola skill di 1200 righe che veniva compattata via prima che il Layer 4 avesse bisogno della sua procedura di triplice bozza. L'orchestratore ha dimenticato la procedura, ha scritto un'unica bozza e ha prodotto un report dal punteggio piatto. »* **Due principi portanti**: *« Applica patch, non rigenerare mai »* — dopo la sintesi sono possibili solo ritocchi chirurgici tramite `Edit`, poiché il patcher e l'auditor di rifinitura sono **bloccati agli strumenti `[Read, Edit]` a livello di allowlist di Claude Code**, cosicché *« fisicamente non possono scrivere (Write) una nuova bozza »*; e *« la query di ricerca canonica è vangelo »* — il prompt testuale viene persistito una volta in `query.md` e riletto da ogni step e da ogni subagente. **Sedici subagenti** con ruolo e modello configurabili (fetcher e cite-checker su Sonnet, critici/sintetizzatore/patcher su Opus). **Il vault** è un archivio markdown persistente indicizzato in SQLite — *« Markdown è verità, SQLite è cache »* — con un ciclo di vita delle note (`draft → review → evergreen`, `stale → deprecated → archive`), provenienza tracciabile, un punteggio di qualità composito (tipo di fonte, autorevolezza citazionale via OpenAlex/Semantic Scholar **con indicatori di ritrattazione**, PageRank interno) e un **audit di indipendenza** che raggruppa le copie sindacate — *« cinque ristampe di un comunicato stampa pesano quanto un'unica fonte »*. **Tre gate meccanici prima della pubblicazione**: integrità delle citazioni (ogni passaggio citato deve esistere **testualmente** in una nota del vault), una scansione delle ritrattazioni aggiornata su ogni DOI citato, e la verifica del collegamento citazione-frase da parte di un LLM scettico. ⚠️ **Riserva importante da segnalare**: l'affermazione di apertura — *« attualmente in testa alla classifica DeepResearch-Bench RACE »* — è contraddetta dalla sua stessa nota a piè di pagina, *« proiezione prospettica da un pilota stratificato… La validazione di terze parti è in sospeso »*. Una **proiezione** non è una classifica, eppure il grafico la colloca comunque davanti a Gemini e OpenAI Deep Research.
#skill#ricerca approfondita#harness di ricerca
**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`.
Voce di tipo **Skill** (non un articolo): `grill-with-docs` di Matt Pocock è una tecnica di intervista strutturata che "mette alla griglia" un piano di architettura confrontandolo metodicamente con il vocabolario di business del progetto (il glossario `CONTEXT.md`) e con le decisioni già documentate (gli ADR). Invece di precipitarsi nell'implementazione, mette in discussione le ipotesi una per una attraverso un dialogo domanda/risposta, ripulisce la terminologia, verifica la coerenza rispetto al codice effettivo e cattura le decisioni al volo negli artefatti giusti. Una skill di design a monte (upfront-design), ispirata al Domain-Driven Design.