Graphify 是什麼？把程式庫變成知識圖譜，讓 Claude Code、Codex 查圖而不是翻檔案
Graphify 是開源的 AI 程式助理技能，用 tree-sitter 把程式庫解析成知識圖譜，再讓 Claude Code、Codex 等代理查詢。本文依官方 README 與基準測試，說明安裝、資料去向、適用情境，以及效益數字的限制。
Graphify 在 2026 年 10 月 18 日晚上又在 X 上被轉了出來，Sumanth_077 的貼文約有 590 個讚、3.1 萬次瀏覽，重點只有一句：在程式助理裡輸入 /graphify，就能把整個專案變成可查詢的知識圖譜。
貼文說它支援 Claude Code、Codex、Cursor、Gemini CLI、OpenCode，以及 20 多種程式代理。這份名單在官方 README 找得到依據。
但 README 開頭同時在推同一家公司的雲端版 Graphify Cloud，所以讀官方資料時，要分清楚哪一段在講開源版。
大家想用它，是因為程式代理每次進到陌生的專案，都得靠 grep 搜尋與逐檔閱讀來摸清楚結構。專案愈大，花在找路上的時間與 token（模型計費用的文字單位）就愈多。
它的做法是先離線把程式碼解析成一張圖，節點是函式、類別與概念，連線是呼叫、匯入與繼承關係，結果存成 graph.json。之後代理要問問題，就去查這張圖，所以不必每次重新讀檔。
官方倉庫在 2026 年 10 月 20 日查詢時約有 12.9 萬顆星，授權是 Apache-2.0。不過效益數字大多來自作者自己的測試，所以讀 README 時，要分清楚哪些是官方做過的測試，哪些是產品宣傳。
我的判斷是，它適合檔案很多、跨檔案關係複雜、而且已經在用程式代理的團隊，不適合只有幾十個檔案的小專案，也不適合期待一行指令就完全不用檢查設定的人。
要判斷自己是哪一種，得先弄清楚這張圖到底畫了些什麼。
Graphify 是什麼？一個把專案畫成圖、讓代理查圖的技能
這個工具是安裝在程式代理裡的技能，輸入 /graphify 之後，它會讀完指定資料夾，建出知識圖譜。知識圖譜聽起來很抽象，其實就是一張由點與線組成的關係圖。
點可以是一個函式、一個類別，或文件裡的一個概念。線則記錄它們的關係，例如誰呼叫誰、誰匯入誰、誰繼承誰。
官方 README 說，程式碼的部分用 tree-sitter 解析，這是一種讀原始碼並拆出語法結構的開源工具，不需要語言模型，所以每次跑出來的結果都是確定的。支援約 40 種程式語言，跨檔案的呼叫、匯入與繼承都會被連起來。
跑完會得到三個檔案。graph.html 可以用瀏覽器打開，點節點、搜尋與篩選。GRAPH_REPORT.md 是重點摘要，列出關鍵概念、意外的連結與建議提問。graph.json 是完整的圖，之後隨時能查詢。
這份摘要裡有一項叫 god nodes，也就是連線最多、一切都要經過的概念。官方沒有說省多少時間，但我會讓剛接手專案的人先看這幾個節點，再決定從哪個模組讀起。
圖裡的每條連線都有信心標籤。EXTRACTED 表示原始碼裡明寫的，INFERRED 表示工具解析後推出來的。官方文件特別說，INFERRED 不一定是語言模型猜的，靜態證據的解析也會產生這種標籤。
所以讀圖時，標成 INFERRED 的連線值得多看一眼，因為它們不是原始碼直接寫明的。官方的基準測試文件也承認，測試資料夾裡同名的輔助函式，會讓這類呼叫連線比較雜。
除了程式碼，文件、PDF、圖片、影片與音訊也能放進同一張圖。不過這部分需要模型或轉錄工具幫忙，資料去向會在後面單獨說明。
圖的長相清楚了，剩下的問題是怎麼在自己的專案裡建出一張。
安裝與第一次查詢：三個指令、三個輸出檔
官方要求 Python 3.10 以上，建議用 uv 或 pipx 安裝；macOS 沒有 uv 的話，README 列的做法是用 Homebrew 裝。
套件名稱有兩個 y，官方也在 README 特別提醒，PyPI 上其他名為 graphify 的套件都和這個專案無關。
uv tool install graphifyy
graphify install
第一行安裝命令列工具，第二行會偵測你用的是哪個程式代理，並把技能註冊進去。接著在代理裡輸入 /graphify . 就會開始建圖。
Codex 的指令是 $graphify，而且 README 說要先在 ~/.codex/config.toml 的 [features] 區塊設定 multi_agent = true，才能做平行抽取。
截至 2026 年 10 月 20 日，PyPI 上的最新版是 0.9.92，發布於 10 月 16 日。更新很頻繁，當天的更新紀錄就寫著收進 23 個社群貢獻。
用一個小任務試跑
我會挑一個幾百個檔案、自己熟悉的專案，而不是最大的那個。因為第一次的目標是驗證圖和你的認知一致，不是追求速度。
建完圖，先打開 GRAPH_REPORT.md，看核心節點是不是你預期的主要模組。如果它列出的主幹和你的理解差很多，可能是語言辨識或忽略規則出了問題，也可能是你原本的理解需要修正，兩種都要先釐清。
接著用三個查詢指令各試一次。query 用白話問問題，例如「驗證和資料庫之間經過哪些模組」，path 找兩個概念之間的最短路徑，explain 則說明單一節點與它的所有連線。
查詢時如果名稱對到好幾個節點，工具會拒絕猜測並列出候選，所以不會憑空挑一個給你。腳本也能從結束碼判斷結果，0 是有答案，3 是名稱不明確，4 是找不到。
圖建好之後還要保持新鮮。官方提供 graphify hook install，會在每次提交與切換分支後自動重建，如果只想更新有變動的檔案，也可以在代理裡加上 --update。
掛鉤是 Git 的自動觸發機制，等於在你的流程裡多了一段會自動執行的程式，所以我會先在小專案確認，再推廣到團隊。
這裡有個小提醒：版本更新後，抽取結果的快取格式可能改變。0.9.92 的更新說明就寫到，升級後第一次建圖會重新抽取，所以大型專案要預留時間。
建圖只是第一步，真正省力的地方，是讓代理自己養成先查圖的習慣。
延伸閱讀：jevgrep 是什麼？用自然語言找程式碼，真的能讓 AI Coding Agent 省 40% 成本嗎？
讓代理先查圖：always-on 設定、掛鉤與 MCP
建好圖不代表代理會用它。官方另外提供 always-on 設定，執行 graphify claude install 或 graphify codex install 這類指令，會寫入一份小設定，要求代理遇到程式庫問題時先查圖。
這份設定依平台分兩種。Claude Code 與 Gemini CLI 屬於掛鉤型，代理要做搜尋類工具呼叫之前，會自動提醒它改走圖查詢，Claude Code 在逐檔讀原始碼前也會觸發。
Codex、OpenCode、Cursor 等屬於指示檔型，改用 AGENTS.md 或 .cursor/rules 這類永久指示檔，內容同樣是先用 graphify query，再考慮讀全文。
我的提醒是，always-on 會改動你的代理設定與專案檔案，代理的行為也會跟著不同。所以第一次安裝後，建議用版本控制檢查多了哪些檔案，確定可以接受，再決定要不要提交給團隊共用。
要移除也很簡單，graphify uninstall 會一次清掉所有平台的設定，如果加上 --purge，連 graphify-out 資料夾都會刪除。
官方還提供 MCP 伺服器的做法。MCP 是讓程式代理呼叫外部工具的通用協定，因為有它，圖可以當成服務提供出去，代理不必在本機跑命令列。
README 提醒，本機命令列與 MCP 連線的指示並不相同，所以不要把兩套指示同時無條件複製進 AGENTS.md，而是挑一條主要的查詢路徑。
下表整理 README 列出的幾個常見平台，完整名單有 20 多個。
| 平台 | 安裝指令 |
|---|---|
| Claude Code | graphify install |
| Codex | graphify install --platform codex |
| OpenCode | graphify install --platform opencode |
| Gemini CLI | graphify install --platform gemini |
| Cursor | graphify cursor install |
這張表涵蓋了 X 貼文提到的五個名字，支援名單的說法在官方 README 找得到依據。但各平台實際效果有多大差異，官方沒有分開提供數據。
設定 always-on 之後，代理會更頻繁地讀這張圖，所以更該先弄清楚，建圖的過程中資料會被送到哪裡。
資料去向：程式碼在本機解析，文件與圖片會交給模型
官方 README 的隱私段落把資料分成幾類。程式碼檔案用 tree-sitter 在本機處理，不會離開你的電腦，所以只含程式碼的專案甚至不需要 API 金鑰就能完整建圖。
影片與音訊先用 faster-whisper 在本機轉成文字，這個轉錄步驟不需把媒體送到外部服務。之後若啟用語意分析，轉錄文字仍可能送到設定的模型後端。
文件、PDF 與圖片就不同了。它們會交給你的 AI 代理做語意抽取，用的是這個工作階段所使用的模型，如果改用無頭模式，則需要你設定某一家的 API 金鑰。
官方列出的後端包括 Gemini、Kimi、Claude、OpenAI、DeepSeek、Azure、Bedrock 與本機的 Ollama。多把金鑰同時存在時，工具會依優先順序自動選一個，並印出它選了哪個環境變數，所以不會在你不知情時換供應商。
如果有資料落地的限制，可以把 GRAPHIFY_BACKEND 設成 ollama，讓抽取全在本機，或設成 none，完全關掉模型，只留程式碼圖。README 也特別註明，Kimi 的金鑰會把請求送到位於中國的 Moonshot 伺服器。
官方宣稱沒有遙測、使用追蹤或分析。但有一個細節常被忽略：每次 query、path、explain 與 MCP 查詢，都會寫進家目錄 .cache 資料夾下的 graphify-queries.log。
內容包含時間、問題與回傳的節點，預設不存完整的子圖回應。不想留紀錄的話，可以用環境變數關閉。
官方網站首頁與 README 對雲端版的說明，都沒有交代它會上傳哪些資料、圖存放在哪裡，所以這部分只能向官方詢問或查閱後續公開的條款。
自架開源版的程式碼建圖解析在本機完成，但文件與媒體的語意抽取，以及助理如何使用圖譜結果，仍取決於所選模型與設定。雲端版的資料處理則缺少足夠的公開說明。
資料流向清楚之後，剩下的就是它適不適合你的專案。
適合誰、不適合誰：導入前的檢查
官方沒有給出適用規模的門檻，下表是我依工具的設計做的判斷，因為不是每個專案都需要一張圖。
| 情況 | 適合嗎 | 原因 |
|---|---|---|
| 數百個檔案以上、跨模組呼叫多 | 適合 | 圖能直接回答誰影響誰，省下反覆搜尋 |
| 已有 Claude Code、Codex 等代理的日常流程 | 適合 | always-on 可以把查圖變成預設動作 |
| 文件、規格與程式碼分散在不同地方 | 適合 | 官方支援把文件與圖片放進同一張圖 |
| 只有幾十個檔案的小專案 | 不太需要 | 整個專案放得進模型的上下文，圖的效益有限 |
| 程式碼受資料落地限制、不能送外部模型 | 要先設定 | 必須用 ollama 或 none，並確認文件類內容不外送 |
建圖前我會先檢查四件事。
- 語言辨識：像 .h、.m、.inc 這種副檔名在不同專案代表不同語言，官方建議用 .graphifyrc 明確宣告，否則圖看起來有內容，真正的符號卻沒有被抽到。
- 忽略規則：它會遵守 .gitignore，也支援 .graphifyignore，所以要先排除建置產物與第三方套件。
- 新鮮度：官方文件提到，掃描過期會讓圖留下缺口，因此要搭配提交掛鉤或固定更新。
- 團隊共用：官方文件有「共用圖給團隊」的做法，但共用前要確認圖裡沒有不該公開的路徑與註解。
這四件事做完，圖才算可用，但官方宣稱的效益能不能當成決策依據，還得另外檢視。
延伸閱讀：skills.sh 破 100 萬個 Agent Skills：近 2.8 億次安裝代表什麼？數字、風險與入門
限制與風險：效益數字來自自家測試，雲端版說法不能直接套用
先看官方的 BENCHMARKS.md。程式碼相關的測試是在約 100 萬行的 ERPNext 專案上，讓一個固定的代理回答 6 道問題。
代理多了一個圖查詢工具之後，關鍵事實涵蓋率從只用 grep 與閱讀的 70.8%，提升到 82.0%，每次查詢約用掉 14 萬個 token。
這個結果方向是正面的，但樣本只有 6 題，由作者自己的測試架構執行，並由語言模型對照事實清單評分，更新日期是 2026 年 7 月 5 日。它說明圖有幫助，卻不能換算成你的專案會省多少。
另一批數字來自對話記憶基準，例如 LOCOMO 與 LongMemEval。那是在評估長期對話記憶，不是程式碼理解，所以不能拿來當作寫程式時的效益。
README 裡「雲端版可減少 80% 的代理 token 花費」是產品宣傳，README 沒有附上測試條件。官方 YouTube 發表影片也列出 10.6 萬顆星與 500 萬次下載，但那是 2026 年 8 月的數字，和現在的星數不同。
我的看法是，把這些宣稱當成廠商說法來讀，真正的判斷依據是你自己的專案：在同一批問題上，比較有圖和沒圖時，代理的答案品質、花費與耗時。
第二個風險是維護與相容。更新快代表修補快，但也代表圖的快取格式常改變，升級後可能要重建。
授權也變過。倉庫在 2026 年 7 月 22 日的 0.9.25 版從 MIT 改成 Apache-2.0，更新說明指出這增加了專利授權條款，所以公司法務如果以前用 MIT 評估過，需要用新的條款重新確認。
第三是名稱與來源。官方原始碼倉庫目前掛在 Graphify Labs 組織底下，舊文章可能還寫著作者的個人帳號，GitHub 會自動轉址。安裝時要認準雙 y 的 graphifyy，因為其他同名套件不是官方。
最後，圖不是規格。INFERRED 的連線可能出錯，官方自己的人工抽查，也只檢查了 FastAPI 範例中的 12 條跨檔案連線。
12 條全部正確，但那只是一次性的抽樣，所以重要的修改仍要回到原始碼確認。至於費用、金鑰與更新方式，是讀者實際動手前最常問的幾件事。
Graphify 常見問題
Graphify 需要付費嗎？
自架的開源引擎採 Apache-2.0，可以免費使用。同一家公司另有雲端版 Graphify Cloud，提供 14 天免費試用，但官網頁面沒有列出付費方案的價格，試用前要先看清楚。
Graphify 和向量資料庫有什麼不同？
README 明確說它不使用向量或嵌入，而是建出一張可走訪的圖。向量搜尋找的是意思接近的內容，圖查詢找的是明確的關係路徑，所以兩者解決的問題不同。
一定要設定 API 金鑰嗎？
只處理程式碼時不需要。只有要處理文件、PDF、圖片，而且用無頭模式時，才需要設定模型供應商的金鑰，在代理的工作階段裡執行時，則會使用該代理當下的模型。
圖會自動更新嗎？
不會自動，要自己設定。安裝提交掛鉤後，每次提交與切換分支會重建，但官方也提醒，git pull 之後要自己執行 graphify update。
先在一個專案驗證，再決定要不要全面導入
這個工具值得試的原因，是它把代理怎麼認識專案這件事，做成了一張你看得見、能檢查的圖。圖錯了可以修正，搜尋結果卻很難事後檢討，所以這種做法更容易團隊討論。
如果你有一個檔案夠多的專案，我會建議先跑一次，比較有圖和沒圖時的回答差異，再決定是否安裝 always-on，並先把文件類內容的資料去向設定清楚。
想持續追蹤 AI 程式助理與開發工具的更新，可以免費訂閱 AI 郵報，也建議定期回到官方更新紀錄確認新版本的變動。
