> ## Content Index
> Fetch the complete content index at: https://www.hubwiz.com/blog/llms.txt
> Use this file to discover other available public pages before exploring further.

# Graphify：文件夹->知识图谱
- URL: https://www.hubwiz.com/blog/graphify-turn-any-folder-to-a-knowledge-graph/
- Published: 2026-04-14T15:25:27.000Z
- Updated: 2026-04-14T15:25:27.000Z
- Description: Graphify不是将原始文件喂给你的AI助手，而是从你的代码、文档、论文、图像和视频中构建一个持久的、可查询的知识图谱。
- Author: admin
- Tags: TOOL, GRAPHIFY, #Import 2026-10-14 14:41

每个在大型代码库上使用LLM的开发者最终都会遇到同样的困境：上下文窗口是有限的，但代码库不是。标准方法——将原始文件转储到提示中并希望最好的结果——在token上线性扩展，在实际理解上亚线性扩展。

Andrej Karpathy最近描述了他的个人知识工作流程：将论文、截图和推文转储到一个原始文件夹中，然后使用LLM将所有内容编译成wiki，并使用`Obsidian`进行导航。

> 他以一个挑战结束了他的描述："我认为这里有一个令人难以置信的新产品的空间，而不是一堆hacky的脚本集合。"

**`Graphify`**就是那个产品。它对上下文采取了根本不同的方法。不是将原始文件喂给你的AI助手，而是从你的代码、文档、论文、图像和视频中构建一个持久的、可查询的知识图谱。然后它向你的AI助手提供压缩的子图。

这里是一个关于Graphify如何在幕后工作的逐步指南，以及你如何使用它将token使用量减少多达**71.5倍**。

## 1、安装并指向一个文件夹

开始使用Graphify不需要任何配置。它不是向量数据库的包装器，也不需要你设置复杂的嵌入管道。

![](https://www.hubwiz.com/blog/content/images/2026/04/image-207.png)

你只需要通过`pip`安装包（`pip install graphifyy`）并在项目目录中运行单个命令（`graphify run .`）。Graphify立即开始扫描你的文件——无论是代码、PDF、图像还是视频——并开始构建图谱。

## 2、第1遍：确定性AST解析

Graphify管道的第1遍完全是确定性的，在本地机器上运行。在这个阶段，没有任何代码被发送到任何LLM API。

![](https://www.hubwiz.com/blog/content/images/2026/04/image-208.png)

Graphify使用`tree-sitter`解析20种不同语言的代码。它提取类、函数、导入、调用图、文档字符串和原理注释。因为这种提取是确定性的，所以在这遍中创建的每条边都被标记为**EXTRACTED**的来源标签和1.0的置信度分数。你总是知道这些关系是你代码库的事实表示。

## 3、第2遍：本地转录

如果你的文件夹包含音频或视频文件（如录制的讲座或会议MP4），Graphify在第2遍本地处理它们。

![](https://www.hubwiz.com/blog/content/images/2026/04/image-209.png)

使用**faster-whisper**，Graphify直接在设备上转录这些媒体文件。音频永远不会离开你的机器。此外，转录本被SHA256缓存，这意味着如果你再次运行Graphify，转录步骤是即时的，除非媒体文件发生了变化。然后这些转录本被送入最终的提取遍。

## 4、第3遍：并行LLM提取

对于非结构化语义内容——如文档、PDF、图像和第2遍中生成的转录本——确定性解析是不可能的。这就是Graphify利用LLM的地方。

![](https://www.hubwiz.com/blog/content/images/2026/04/image-210.png)

Graphify将这些文件分派给并行运行的Claude子智能体。每个子智能体读取内容并提取概念、关系和设计原理。这些子智能体的输出在合并到主图谱之前，会被严格验证是否符合模式。因为这些关系是由AI推断的，所以它们被标记为`INFERRED`的来源标签以及置信度分数。

## 5、知识图谱输出

一旦三遍完成，Graphify输出一个结构化的、持久的知识图谱。

![](https://www.hubwiz.com/blog/content/images/2026/04/image-211.png)

输出有三种形式：

- **GRAPH\_REPORT.md**：一个人类可读的审计报告，总结了图谱并突出显示任何需要人工审查的AMBIGUOUS边。
- **graph.json**：一个为AI助手查询设计的机器可读文件。
- **Obsidian Vault**：一个可立即使用的wiki，带有反向链接，允许你像Karpathy的工作流程一样，以可视化和文本方式导航图谱。

图谱中的每条边都带有其来源标签（`EXTRACTED`、`INFERRED`或`AMBIGUOUS`），确保认识论诚实。你总是知道系统发现了什么，与猜测了什么。

## 6、查询图谱

当你将Graphify与你的AI编码助手（如Claude Code、Cursor或Codex）集成时，它的真正威力才得以实现。

![](https://www.hubwiz.com/blog/content/images/2026/04/image-212.png)

Graphify带有一个`PreToolUse`钩子。当你问助手"认证流程如何工作？"这样的问题时，钩子在助手开始在原始文件中grep之前触发。助手首先读取图谱映射，识别相关节点，并检索一个聚焦的子图。

不是将52个文件转储到上下文窗口中，助手接收一个高度相关的子图，可能只有300个token。这种结构化上下文允许AI在大幅减少token使用的同时提供准确的答案。

## 7、结束语

当你把它们放在一起时，Graphify代表了AI助手消费信息的根本转变。

论点是简单的：结构化的、压缩的、带来源标签的知识图谱是比原始文件更好的输入表示。通过将确定性提取与概率推断分离，并通过拓扑而非嵌入进行聚类，Graphify确保项目内的结构关系被保留并可查询。

图谱就是上下文窗口。其他一切只是搜索。

下一代开发者工具将不是关于向模型提供更多上下文——而是关于提供更好的上下文。分离已知与推断、压缩结构而非原始文本的工具，将定义严肃团队如何大规模使用AI。

今天就试试吧，在任何项目文件夹中运行`pip install graphifyy && graphify run .`。从一个你已经很熟悉的代码库开始——它产生的图谱会让你惊喜。

---

原文链接: [How to Use Graphify: Turn Any Folder Into a Knowledge Graph](https://medium.com/@anna.bildea/how-to-use-graphify-turn-any-folder-into-a-knowledge-graph-d51b38eb60b6?ref=hubwiz.com)

汇智网翻译整理，转载请标明出处