AGENT

Graphify vs. Caveman

一个构建你整个代码库的地图。另一个让你的 AI 像史前人类一样说话。两者都真正有用——而且其中一个的受欢迎程度远超另一个。

你打开你的 AI 编程助手。你让它帮你追踪代码库中的一个 bug。它读取了十几个文件，生成了一大段文字，在你的 token 预算耗尽之前才给出实际答案。

两个开源项目通过从相反方向攻击这个问题，变得出人意料地受欢迎。Graphify 让你的 AI 更智能地理解你的代码。Caveman 让你的 AI 说得更少。两者都有数万个 GitHub 星——但原因截然不同。

让我们分解它们到底是什么、如何工作，以及何时使用哪个。

1、什么是 Graphify？

想象你把一张城市地图放进碎纸机，然后试图通过逐一阅读每一片碎纸来导航。这大致就是 AI 编程助手在没有帮助的情况下阅读大型代码库的方式——一个文件接一个文件，一个查询接一个查询，没有整体概念。

Graphify 修复了这个问题。你在项目文件夹中运行一个命令——/graphify .——它读取每个文件（代码、文档、PDF、图片甚至视频），构建概念和关系的连接知识图谱，并给你的 AI 一个紧凑的地图来导航。

# 在任何文件夹上运行一次
pip install graphifyy && graphify install
# 然后在你的编程助手中：
/graphify .

# 输出：
graphify-out/
├── graph.html ← 交互式可点击图谱
├── GRAPH_REPORT.md ← 给 AI 的简明英文摘要
├── graph.json ← 可查询的图谱（几周后仍然有效）
└── cache/ ← 只重新运行已更改的文件

关键洞察在于接下来发生的事情。在 52 个文件（代码 + 论文 + 图片）的语料库上，Graphify 将每次查询的 token 减少了 71.5 倍。你的 AI 不再阅读原始文件——它阅读紧凑的结构摘要，并只在需要时查询图谱的特定部分。

"Graphify 是 Andrej Karpathy 的 /raw 文件夹问题的答案——一个放置论文、推文、截图和笔记，并且以后真的能查询它们的地方。"

它通过 AST 解析支持 23 种编程语言，处理多模态输入（代码、PDF、图片、视频），并将每个提取的关系标记为 EXTRACTED（直接找到）或 INFERRED（合理猜测，带有置信分数）。你始终知道什么是找到的，什么是猜测的。

2、什么是 Caveman？

Caveman 从不同的观察出发：AI 编程助手极其啰嗦。问 Claude 为什么你的 React 组件在重新渲染，你会得到一个四段式的解释，包含致谢、注意事项、上下文和礼貌的总结。你只需要两句话和一个代码修复。

Caveman 让你的 AI 像史前人类一样说话。这就是它的全部卖点。在 Claude Code 中输入 /caveman，响应立即压缩——去掉冠词、填充词、客套话和犹豫，同时保留所有技术细节。

之前 / 之后——相同问题，相同答案

正常模式：你的 React 组件重新渲染的原因可能是因为你在每次渲染周期中创建了一个新的对象引用。当你将内联对象作为 prop 传递时，React 的浅比较每次都将其视为不同的对象，从而触发重新渲染。我建议使用 useMemo 来记忆化对象。

69 个 token

Caveman 模式：每次渲染新对象引用。内联对象 prop = 新引用 = 重新渲染。用 useMemo 包裹

19 个 token — 减少 72%

在真实提示的基准测试中，Caveman 平均减少输出 token 65%，某些任务节省超过 85%。令人惊讶的部分是：2026 年初发表的研究发现，将模型约束为简短回复实际上在某些基准测试中将准确率提高了 26 个百分点。少说可能意味着更对。

Caveman 有四个强度级别——Lite（去掉填充词，保留语法）、Full（默认穴居人咕噜）、Ultra（电报式，缩写一切），以及一个文言文模式使用文言文进行最大压缩。它还附带子技能：/caveman-commit 用于简洁的规范提交，/caveman-review 用于一行 PR 评论，以及 /caveman:compress 压缩你的 CLAUDE.md 文件，甚至你的会话指令也使用更少的 token。

3、正面对决：它们到底在解决什么问题？

简短版本：当你需要 AI 更智能地理解你的代码含义时使用 Graphify。当你需要 AI 闭嘴直奔主题时使用 Caveman。它们解决不同的问题——而且实际上配合得很好。

真实示例：将它们一起使用

这是一个两种工具互补的场景。你正在入职一个新的 Python 服务——大约 40 个文件，一些架构文档，几个设计决策 PDF。

# 第 1 步：构建知识图谱一次
/graphify ./myproject
# → 构建 graph.json、GRAPH_REPORT.md、交互式 HTML

# 第 2 步：为此会话开启 caveman
/caveman full

# 第 3 步：提问架构问题
你："认证如何在这个服务中流转？"
AI (caveman)：AuthService → JWTMiddleware → UserRepo。Token 过期检查在 middleware.py:42。通过 /auth/refresh 端点刷新。无会话状态——无状态 JWT。

Graphify 处理了输入端——AI 通过图谱导航而不是阅读 40 个原始文件。Caveman 处理了输出端——答案用四句话而不是四段话返回。一起使用，你在对话的两端都节省了 token。