# skill-shamsi-graphify-2026-08-06

## Veille

Skill-Eintrag: **graphify** von **Safi Shamsi** (Graphify Labs, Y Combinator S26) verwandelt ein gesamtes Projekt — Code, Dokumentation, PDFs, Bilder, Videos — in einen **abfragbaren Knowledge Graph**, aufgerufen über `/graphify` aus Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot und rund fünfzehn weiteren Clients. Stand **6. August 2026**: **103.187 Stars**, **10.024 Forks**, Repository erstellt am **3. April 2026**. Apache-2.0, Python 3.10+, Standard-Branch **v8**. **Drei im README genannte Designentscheidungen**. *„Code maps for free, fully local"*: Der Code wird deterministisch und ohne LLM in einen **tree-sitter-AST** geparst, ohne dass etwas die Maschine verlässt. *„Every edge is explained"*: Jede Kante wird mit **`EXTRACTED`** (explizit in der Quelle) oder **`INFERRED`** (von graphify aufgelöst) gekennzeichnet, mit einem dritten Wert `AMBIGUOUS`, der im Report erscheint. *„Not a vector index"*: *„no embeddings, no vector store: a real graph you traverse"*. **Drei Ausgaben**: `graph.html` (interaktiver Graph), `GRAPH_REPORT.md` (God Nodes, überraschende Verbindungen, vorgeschlagene Fragen) und `graph.json` (persistenter Graph, Wochen später abfragbar, ohne die Dateien erneut zu lesen). **Drei Abfragemodi** als Ersatz für grep: `query` (Subgraph zu einer Frage in natürlicher Sprache), `path A B` (kürzester Pfad zwischen zwei Entitäten) und `explain` (Nachbarschaft eines Konzepts). **Abdeckung**: 36 tree-sitter-Grammatiken (~40 Sprachen), außerdem Terraform, Apex, MCP-Konfigurationen, Paketmanifeste, Office, Google Workspace, PDFs, Bilder sowie Video/Audio, lokal transkribiert von faster-whisper. Communities werden über **Leiden** erkannt, ohne LLM beschriftet. **Benchmarks**: auf LOCOMO ein recall@10 von **0,497** gegenüber 0,149 für supermemory und 0,048 für mem0, jedoch geringere QA-Genauigkeit (45,3 % gegenüber 49,7 %); auf LongMemEval-S **76 %**, auf Augenhöhe mit einem dense RAG; sowie *„Graph build — LLM credits: 0"*. **Festzuhaltende Punkte**: Der `main`-Branch trägt ein README aus der v1-Ära, das ein anderes Produkt beschreibt (Skill nur für Claude Code, die Behauptung „71.5× fewer tokens"); das PyPI-Paket heißt **`graphifyy`** mit zwei *y*, während der Name `graphify` zurückerobert wird; und ein **Query-Log** wird standardmäßig unter `~/.cache/graphify-queries.log` geschrieben, das sich über eine Umgebungsvariable deaktivieren lässt.

## Titre Article

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. »

## Date

2026-08-06

## URL

https://github.com/Graphify-Labs/graphify

## Keywords

Skill, Wissensgraph, Wissensgraph, AST, tree-sitter, deterministische statische Analyse, lokale Extraktion, kein LLM, NetworkX, Leiden, Community-Erkennung, God Node, überraschende Verbindungen, EXTRACTED, INFERRED, AMBIGUOUS, Kantenherkunft, Konfidenz, keine Vektoren, keine Embeddings, kein Vector Store, Graphdurchlauf, query, path, explain, graph.json, graph.html, GRAPH_REPORT, SHA256-Cache, inkrementelles Update, watch, Post-Commit-Hook, für Agenten durchsuchbares Wiki, MCP stdio, Neo4j, GraphML, Obsidian, multimodal, PDF, Vision, faster-whisper, lokale Transkription, Terraform, Apex, MCP-Konfigurationen, Paketmanifeste, Google Workspace, LOCOMO, LongMemEval, Recall, mem0, supermemory, dense RAG, null LLM-Credits, Datenresidenz, Ollama, Bedrock, Query-Log, Telemetrie, Y Combinator, Graphify Labs, Safi Shamsi

## Authors

**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.

**Trace d'historique à connaître** : le dépôt s'appelait `safishamsi/graphify` avant son transfert vers l'organisation `Graphify-Labs`. Le README de la branche `main` porte encore l'ancien chemin dans son badge d'intégration continue et dans sa procédure d'installation manuelle.

**Signaux d'adoption au 6 août 2026** : 103 187 étoiles, 10 024 forks, 823 issues ouvertes, dernier push la veille. Le dépôt affiche un badge Trendshift et propose son README en **33 langues**. Communauté sur Discord, page LinkedIn d'entreprise.

## Ton

**Profil**: hochdichte Open-Source-Projektdokumentation, verfasst zum Lesen durch einen eiligen Entwickler **und** durch einen Agenten. Technisches Register, sehr wenige Versprechen, viele Tabellen — Dateitypen, Grammatiken, Umgebungsvariablen, eine vollständige Befehlsreferenz.

**Stil**: **Die Demonstration geht dem Argument voraus**. Das README zeigt reale Ausgaben, bevor irgendetwas erklärt wird — einen Befehl `graphify explain "APIRouter"` mit zeilenweise annotierter Nachbarschaft, dann ein `graphify path "FastAPI" "ModelField"`, das den Pfad über drei Hops anzeigt. Das Produkt wird an einem dem Leser bekannten Repository (FastAPI) bei der Arbeit gezeigt, bevor auch nur ein kommerzielles Argument fällt.

**Drei bemerkenswerte Merkmale**:

1. **Die Position wird durch eine bewusste Verneinung definiert.** *« Not a vector index. No embeddings, no vector store: a real graph you traverse. »* Das Projekt positioniert sich **gegen** Vektor-RAG, den inzwischen etablierten Standard, und dieser Gegensatz strukturiert alles Weitere — Determinismus, Nullkosten, Kantenrückverfolgbarkeit.
2. **Ehrlichkeit gegenüber den eigenen Benchmarks.** Die Tabelle veröffentlicht eine **Niederlage**: 45,3 % QA-Genauigkeit auf LOCOMO gegenüber 49,7 % für supermemory. Wenige Projekte veröffentlichen die Spalte, in der sie verlieren.
3. **Die Datenschutzgrenze wird nach Dateityp gezogen, nicht nach Prinzip.** Code bleibt lokal, ebenso Video (transkribiert von faster-whisper), während Dokumente und Bilder an das Modell gehen. Der Abschnitt *Privacy* zählt Fälle auf, statt eine ausschließlich lokale Verarbeitung zu versprechen.

**Dem Agenten auferlegtes operatives Register** (der „Ton" im Sinne der Skill-Einträge): Das Tool schreibt dem Agenten nichts vor, es **stellt ihm ein Substrat bereit**. Das README widmet *« Make your assistant always use the graph »* einen ganzen Abschnitt — das Ziel ist, dass der Agent den Graphen konsultiert, **bevor** er Dateien liest.

**Markante Formulierungen**: *« query instead of grepping »*, *« Code maps for free, fully local »*, *« Every edge is explained »*, *« you always know what was found vs guessed »*, *« a real graph you traverse »*, *« Graph build — LLM credits: 0 »*.

## Pense-betes

- **Art**: `/graphify`-Skill + Python-CLI, Apache-2.0, auf PyPI verteilt unter dem Namen **`graphifyy`** (mit zwei *y*, während `graphify` zurückerobert wird). `uv tool install graphifyy && graphify install`. Funktioniert in Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot und rund fünfzehn weiteren Clients.
- **Kerneinordnung**: Der Graph ersetzt grep — man fragt nach einer Beziehung, nicht nach dem Vorkommen einer Zeichenkette. ### Die drei Designentscheidungen und warum sie zusammenpassen 1. **Der Code wird lokal geparst, ohne LLM** — tree-sitter-AST, deterministisch, *« nothing leaves your machine »*. Ein reiner Code-Korpus benötigt keinen API-Schlüssel und läuft offline; Dokumente, PDFs und Bilder durchlaufen dagegen ein Modell. 2. **Jede Kante trägt ihre Herkunft** — `EXTRACTED` (explizit in der Quelle), `INFERRED` (von graphify aufgelöst), `AMBIGUOUS` im Report: *« You always know what was found vs guessed. »* 3. **Kein Vektorindex** — keine Embeddings, kein Vector Store, ein Graph, den man durchläuft. Die drei verstärken sich gegenseitig: Determinismus macht die Kosten null, Nullkosten ermöglichen häufiges Neuaufbauen, und die Kantenkennzeichnung macht das Ergebnis auditierbar. ### Die Benchmarks, richtig gelesen | Benchmark | Metrik | graphify | Vergleichsfeld | |---|---|---|---| | LOCOMO (n=300) | recall@10 | **0,497** | supermemory 0,149 · mem0 0,048 | | LOCOMO (n=300) | QA-Genauigkeit | 45,3 % | **supermemory 49,7 %** · mem0 27,3 % | | LongMemEval-S (n=50) | QA-Genauigkeit | 76 % | **gleichauf** mit einem dense RAG | | Graphaufbau | LLM-Credits | **0** | anderswo pro Token abgerechnet | graphify dominiert klar beim Recall, **verliert bei der QA-Genauigkeit**, liegt beim zweiten Benchmark gleichauf mit dense RAG und baut seinen Graphen kostenlos auf. Das vertretbare Unterscheidungsmerkmal sind somit **Kosten und Nachvollziehbarkeit**, nicht die Antwortqualität: graphify als „besser als RAG" darzustellen, würde den eigenen Zahlen widersprechen. Bescheinigtes Protokoll: gleicher Harness, gleiches Modell, gleiche Budgets, Bewertung blind gegen einen zweiten Judge validiert (90,6 % Übereinstimmung, Cohens Kappa 0,81). Ein Vergleich mit dem einzigen vergleichbaren Wert im Korpus lohnt sich: Compare the Market maß einen AST-Graphen bei ~70 % gegenüber ~58 % für ein Vektor-RAG auf 79 Merge Requests, wobei RAG schlechter abschnitt als gar kein Kontext — siehe [[comparethemarket-context-retrieval-ai-code-review-gkg-rag-2026-03-06]]. Zwei unabhängige Messungen konvergieren zur Überlegenheit des strukturierten Graphen bei Code. ### Abfragen und Abdeckung `query "<Frage>"` liefert einen Subgraphen zu einer Frage in natürlicher Sprache, `path A B` verfolgt den Pfad zwischen zwei Entitäten, `explain X` entfaltet die Nachbarschaft eines Konzepts. Das README-Beispiel: `path "FastAPI" "ModelField"` liefert einen Pfad über drei Hops mit dem Typ jeder Kante. Derselbe Nutzen, der GitNexus in [[lassiege-usine-logicielle-heure-ia-2026-07-28]] zugeschrieben wird. Die Abdeckung reicht über „nur Code" hinaus: 36 tree-sitter-Grammatiken (~40 Sprachen, darunter CUDA, Metal, Zig, Elixir, Julia, Dart, SystemVerilog, Fortran), außerdem SQL, Terraform/HCL, Apex Salesforce, **MCP-Konfigurationen** (`.mcp.json`, `claude_desktop_config.json` — Server, Pakete und erforderliche Umgebungsvariablen), Paketmanifeste (`pyproject.toml`, `go.mod`, `pom.xml`, ein kanonischer Knoten pro Paket), Office, Google Workspace, PDFs, Bilder, Video und Audio. Die eigenen MCP-Konfigurationen zu graphifizieren, ist ein unerwarteter und unmittelbar nützlicher Weg, die eigene Tooling-Oberfläche abzubilden. ### „Warum" als eigenständiges Objekt `# NOTE:`-, `# WHY:`- und `# HACK:`-Kommentare, Docstrings und in der Dokumentation gefundene Design-Begründungen werden zu **eigenständigen Knoten, die mit dem von ihnen erläuterten Code verknüpft sind**. Absicht wird als Entität des Graphen behandelt: Man kann nach dem *Warum* fragen, nicht nur nach dem *Was*. ### Aktualität und Ausgaben Drei Mechanismen zur Aktualität: ein SHA256-Cache (nur geänderte Dateien werden erneut verarbeitet), `--watch` (sofortiger Neuaufbau beim Speichern, **nur AST, kein LLM**; bei Dokumenten und Bildern wird markiert, dass ein `--update` nötig ist), und `graphify hook install` (ein Post-Commit-Hook, kein Hintergrundprozess). Der `--watch`-Modus ist für Multi-Agent-Workflows begründet: *« the graph stays current between waves automatically »*. Ausgaben für Agenten: `--wiki` erzeugt Artikel pro Community mit einer `index.md` — *« point any agent at index.md and it can navigate the knowledge base by reading files instead of parsing JSON »* — und `--mcp` startet einen stdio-MCP-Server. Exporte nach Obsidian, GraphML, Neo4j (Cypher), SVG. ### Datenschutz, eine fein abgestufte Grenze | Verarbeitung | Wo | |---|---| | Code (tree-sitter), Video und Audio (faster-whisper) | **lokal**; `--code-only` erzwingt diesen Modus bei einem gemischten Repository | | Dokumente, PDFs, Bilder | **an das Modell gesendet**; automatische Prioritätskette Gemini → Kimi → Claude → OpenAI → DeepSeek → Azure → Bedrock → Ollama | **Kimi leitet an Moonshot-AI-Server in China weiter** — das README weist darauf hin, und `--backend ollama` bietet einen vollständig lokalen Modus. Kein Telemetrie- oder Nutzungstracking, jedoch ein **standardmäßig geschriebenes Query-Log** unter `~/.cache/graphify-queries.log` (Zeitstempel, Frage, Korpus, zurückgegebene Knoten, Dauer; die Subgraphen selbst werden nicht gespeichert). Lässt sich über `GRAPHIFY_QUERY_LOG_DISABLE=1` deaktivieren. Lokal, aber ohne Opt-in aktiv: vor dem Einsatz in einem sensiblen Kontext zu beachten. ### Zwei Dokumentationsfallen im Repository 1. **Der `main`-Branch ist veraltet**: Er trägt ein README aus der v1-Ära (7 KB), das *« a Claude Code skill »* nur für einen einzigen Client beschreibt, die Behauptung „71.5× fewer tokens" auf einem Korpus von 52 Dateien hervorhebt und weiterhin auf `safishamsi/graphify` verweist. Der Standard-Branch ist **v8** (57 KB). Zu lesen ist v8, niemals `main`. 2. **Der Paketname**: `pip install graphifyy` mit zwei *y*; CLI- und Skill-Befehl bleiben `graphify`. ### Geschäftsmodell und Zugkraft Der Open-Source-Skill ist der Einstiegspunkt zu einer kommerziellen Plattform unter `graphify.com` — *« the always-on layer… applies the same graph approach to your entire working context: meetings, files, docs, and code, updating continuously in the background »*, derzeit mit Warteliste. Lokaler Open Source auf der einen Seite, ein durchgehend gehosteter Dienst auf der anderen. **103.187 Stars in vier Monaten** sind ein außergewöhnliches Tempo, doch die Zahl sagt nichts über die tatsächliche Nutzung aus, und die offizielle Projektseite zeigt weiterhin 3.700 — ein Zeichen, dass die Kommunikation nicht Schritt gehalten hat. Die Sternezahl ist als Aufmerksamkeitssignal zu zitieren, niemals als Maß für die Adoption. **Begriffsklärung**: Die Seite `graphify.net` ist eine von `graphify.com`, der kommerziellen Plattform, getrennte Property.

## RésuméDe400mots

**graphify** (Safi Shamsi, Graphify Labs, Y Combinator S26) verwandelt ein gesamtes Projekt in einen **abfragbaren Knowledge Graph**, aufgerufen über `/graphify` aus Claude Code, Cursor, Codex, Gemini CLI und rund fünfzehn weiteren Clients. Stand 6. August 2026: **103.187 Stars** für ein am 3. April erstelltes Repository, Apache-2.0, Python.

**Drei Designentscheidungen bilden die Grundlage des Projekts.** **Der Code wird lokal** ohne LLM in einen tree-sitter-AST geparst: deterministisch, nichts verlässt die Maschine, für einen reinen Code-Korpus ist kein API-Schlüssel nötig. **Jede Kante trägt ihre Herkunft** — `EXTRACTED`, wenn explizit in der Quelle vorhanden, `INFERRED`, wenn graphify sie aufgelöst hat —, *„so you can tell what was read directly from what was inferred"*. Und das Projekt definiert sich **gegen Vektor-RAG**: *„Not a vector index. No embeddings, no vector store: a real graph you traverse."*

**Die Nutzung ersetzt grep.** `query` liefert einen Subgraphen zu einer Frage in natürlicher Sprache, `path A B` verfolgt den Pfad zwischen zwei Entitäten, `explain` entfaltet ein Konzept. Drei Ausgaben: ein interaktiver Graph, ein lesbarer Report (God Nodes, überraschende Verbindungen, vorgeschlagene Fragen) und ein persistentes `graph.json`, Wochen später abfragbar.

**Die Abdeckung reicht über Code hinaus**: 36 tree-sitter-Grammatiken, aber auch SQL, Terraform, Apex, **MCP-Konfigurationen**, Paketmanifeste, Office, PDF, Bilder und lokal transkribierte Videos. `# WHY:`-Kommentare und Design-Begründungen werden zu **eigenständigen Knoten, die mit dem von ihnen erläuterten Code verknüpft sind**.

**Die Benchmarks verlangen eine sorgfältige Lektüre.** Auf LOCOMO dominiert graphify beim Recall (0,497 gegenüber 0,149 und 0,048), **verliert jedoch bei der QA-Genauigkeit** (45,3 % gegenüber 49,7 %); auf LongMemEval-S **liegt es mit 76 % gleichauf** mit einem dense RAG. Die entscheidende Zeile steht woanders: *„Graph build — LLM credits: 0"*. Das vertretbare Unterscheidungsmerkmal sind **Kosten und Nachvollziehbarkeit, nicht die Antwortqualität**.

**Drei Vorbehalte.** Der `main`-Branch trägt ein veraltetes README aus der v1-Ära, das ein anderes Produkt beschreibt: zu lesen ist `v8`. Das PyPI-Paket heißt `graphifyy`, während der Name zurückerobert wird. Und ein **lokales Query-Log** ist standardmäßig aktiv, lässt sich aber über eine Umgebungsvariable deaktivieren.

Der Skill dient zudem als Einstiegspunkt zu einer kommerziellen, mit Warteliste versehenen Plattform unter graphify.com, die denselben Ansatz kontinuierlich auf den gesamten Arbeitskontext anwendet.

## Anti-patterns

- **Lire la branche `main`.** Elle décrit un produit de l'ère v1, mono-client, avec un argument marketing (« 71,5× moins de tokens ») que la version courante n'utilise plus. La branche par défaut est `v8`.
- **Citer « graphify bat le RAG ».** Ses propres benchmarks le contredisent : il perd en exactitude QA sur LOCOMO et **égale** un RAG dense sur LongMemEval-S. L'argument défendable est le coût nul et la traçabilité.
- **Annoncer « fully local » sans nuance.** Seul le code et la transcription vidéo le sont. Documents, PDF et images partent vers un modèle, sauf backend Ollama explicite.
- **Déployer en contexte sensible sans couper le journal de requêtes.** `~/.cache/graphify-queries.log` enregistre chaque question par défaut ; poser `GRAPHIFY_QUERY_LOG_DISABLE=1`.
- **Laisser la chaîne de priorité choisir le backend** dans un contexte à contrainte de résidence des données : la détection automatique peut router vers Kimi, donc vers des serveurs en Chine. Passer un `--backend` explicite.
- **Graphifier un corpus minuscule** en attendant un gain de tokens : en dessous de la taille d'une fenêtre de contexte, l'apport est structurel, pas économique.
- **Traiter 103 000 étoiles comme une mesure d'adoption.** C'est un signal d'attention sur quatre mois, rien de plus.

## Artefacts

**Sorties principales**, dans `graphify-out/` :
- `graph.html` — graphe interactif, nœuds cliquables, filtres par communauté, recherche
- `GRAPH_REPORT.md` — god nodes, connexions surprenantes avec leur justification en clair, 4-5 questions suggérées, étiquettes de confiance
- `graph.json` — le graphe complet, persistant et interrogeable

**Sorties optionnelles** : `wiki/` (articles par communauté avec `index.md`, pour navigation par un agent), `obsidian/` (coffre Obsidian), `graph.svg`, `graph.graphml` (Gephi, yEd), `cypher.txt` (Neo4j), serveur MCP stdio, `converted/` (passerelles markdown pour Google Workspace).

**Sous-produits** : `cache/` (empreintes SHA256 par fichier) et `~/.cache/graphify-queries.log` (journal des requêtes, actif par défaut).

## Commentaire

**En une phrase** : graphify parie que, pour du code, **un graphe déterministe construit gratuitement bat un index vectoriel payant** — et publie les chiffres qui le nuancent.

**L'idée centrale** tient dans une asymétrie que le projet exploite bien. Le code a une structure formelle : un analyseur syntaxique sait dire, sans deviner, que telle fonction en appelle telle autre. Le RAG vectoriel jette cette information pour la remplacer par une proximité statistique, et paie des tokens pour le faire. graphify garde la structure là où elle existe (le code, en AST local) et ne convoque un modèle que là où elle manque (la prose, les images). D'où les trois propriétés qui découlent l'une de l'autre : le déterminisme rend l'extraction gratuite, la gratuité rend la reconstruction fréquente possible, et la reconstruction fréquente rend le graphe fiable au lieu de périmé.

**Le second principe est la traçabilité.** Étiqueter chaque arête `EXTRACTED` ou `INFERRED` paraît mineur et change tout : on peut faire confiance différemment à deux relations selon leur origine, et un agent qui traverse le graphe sait quand il marche sur du solide. C'est la même discipline épistémique que les types de source dans une fiche de veille, ou que la distinction entre lecture et substitution dans [[skill-gibbs-hyperresearch-2026-08-03]].

**En résumé** : l'outil est utile, ses chiffres sont honnêtes, et son argument le plus fort est économique avant d'être qualitatif. Sa faiblesse tient à sa documentation — un dépôt dont la branche `main` décrit un produit périmé et dont le site officiel affiche 3 700 étoiles quand GitHub en compte 103 000 n'inspire pas confiance sur sa capacité à tenir sa propre cartographie à jour.

## Déclencheur

**Quand la skill s'active** : sur `/graphify <chemin>` dans un assistant de codage, après `uv tool install graphifyy && graphify install`. En dehors d'un assistant, la CLI `graphify extract` fait le même travail en mode headless, avec une clé d'API pour la partie sémantique.

**Entrées attendues** : un **répertoire quelconque** — dépôt de code, dossier de notes, corpus de PDF, mélange des trois. Aucune structure préalable n'est requise.

**Options qui changent le comportement** : `--code-only` (n'indexe que le code, donc aucun appel réseau), `--update` (ne retraite que les fichiers modifiés), `--watch` (reconstruction continue), `--wiki` (sortie navigable par un agent), `--mcp` (serveur MCP stdio), `--backend ollama` (tout en local, y compris la partie sémantique).

**Quand ne pas la déclencher** : sur un corpus de quelques fichiers qui tient déjà dans une fenêtre de contexte — le README le dit lui-même à propos de son exemple à 6 fichiers, *« graph value there is structural clarity, not compression »*. Et sur un corpus dont les documents sont confidentiels sans backend local configuré, puisque la passe sémantique les enverrait à un modèle distant.

## Fonctionnement

**Le pipeline se lit en quatre temps.**

1. **Extraction, par type de fichier.** Le code passe par tree-sitter : AST, graphe d'appels, docstrings, le tout déterministe et local. La prose, les PDF et les images passent par un modèle. La vidéo et l'audio sont transcrits localement par faster-whisper, puis traités comme de la prose. Les commentaires d'intention (`# WHY:`, `# HACK:`) sont extraits comme nœuds distincts.
2. **Résolution et fusion.** Les nœuds et arêtes sont fusionnés dans un graphe NetworkX. Les liens inter-fichiers (`calls`, `imports`, `inherits`, `mixes_in`) sont résolus à travers ~40 langages. Un paquet référencé depuis plusieurs manifestes devient **un seul nœud canonique**, donc un hub.
3. **Structuration.** L'algorithme **Leiden** découpe le graphe en communautés, **labellisées sans LLM**. Les nœuds de plus fort degré sont désignés *god nodes*. Les connexions inattendues sont classées par un score composite, une arête code-article pesant plus qu'une arête code-code.
4. **Restitution.** Trois artefacts, plus les exports optionnels. Chaque arête conserve son étiquette de provenance jusqu'à la sortie.

**La boucle de fraîcheur** est traitée à trois niveaux de coût croissant : le cache SHA256 évite tout retraitement inutile ; `--watch` reconstruit instantanément sur sauvegarde d'un fichier de code, **sans appel LLM** ; le hook post-commit reconstruit à chaque commit sans processus résident.

**L'interrogation** se fait ensuite contre `graph.json`, sans relire les fichiers sources : `query` pour une question ouverte, `path` pour une relation entre deux entités, `explain` pour un voisinage.

## Lecture commentée du SKILL.md

Le fichier commenté est le README de la branche `v8` (57 Ko), qui fait office de spécification publique de la skill, et le `skills/graphify/skill.md` qu'installe la commande `graphify install`.

**L'énoncé de mission, en une phrase, place le verbe au bon endroit** :

> *« Type `/graphify` in your AI coding assistant and it maps your entire project (code, docs, PDFs, images, videos) into a **knowledge graph** you can **query instead of grepping** through files. »*

*Glose* : la promesse n'est pas « comprendre votre code » mais **remplacer une opération précise** — le grep. Une skill qui se définit par le geste qu'elle supprime est plus facile à évaluer qu'une skill qui promet de la compréhension.

**Les trois puces qui suivent sont la spécification réelle** :

> *« **Code maps for free, fully local.** Code is parsed with tree-sitter AST: deterministic, no LLM, nothing leaves your machine. (Docs, PDFs, images and video use your assistant's model, or a configured API key, for a semantic pass.) »*

*Glose* : la parenthèse fait le travail honnête. Elle dit exactement où finit le local. Beaucoup d'outils annoncent « fully local » et laissent le lecteur découvrir l'exception.

> *« **Every edge is explained.** Each connection is tagged `EXTRACTED` (explicit in the source) or `INFERRED` (resolved by graphify), so you can tell what was read directly from what was inferred. »*

*Glose* : la définition des deux étiquettes est donnée **dans la même phrase** que leur nom. Un agent qui lit cette ligne sait comment pondérer une arête sans consulter d'autre documentation.

> *« **Not a vector index.** No embeddings, no vector store: a real graph you traverse. »*

*Glose* : positionnement par la négation, assumé. Le projet se situe dans un paysage où le RAG vectoriel est le défaut, et refuse d'y entrer.

**La sortie montrée avant d'être décrite** — choix de rédaction remarquable :

```text
$ graphify path "FastAPI" "ModelField"
Shortest path (3 hops):
  FastAPI --uses--> DefaultPlaceholder <--references-- get_request_handler() --references--> ModelField
```

*Glose* : trois sauts, le sens de chaque arête, son type. Le lecteur comprend en une ligne ce que « traverser un graphe » veut dire, sur un dépôt qu'il connaît. C'est plus efficace que n'importe quel paragraphe d'explication.

**La section qui trahit l'intention profonde** s'intitule *« Make your assistant always use the graph »*.

*Glose* : l'objectif n'est pas qu'un humain lance une commande, c'est que **l'agent consulte le graphe avant de lire les fichiers**. La skill vise à s'insérer dans la boucle par défaut de l'assistant, pas à rester un outil invoqué à la demande. C'est le même mouvement que la rule de routage vers les skills chez Hugo Lassiège : rendre le bon réflexe automatique.

**Choix de design à retenir** : l'**extraction hybride par type de fichier** (déterministe où la structure existe, sémantique ailleurs) est la décision qui produit toutes les autres propriétés ; le **cache SHA256** et le **hook post-commit** traitent la fraîcheur comme un problème d'ingénierie et non de discipline ; et la **sortie en wiki markdown** reconnaît qu'un agent lit mieux des fichiers qu'il ne parse du JSON.

## GrapheDeConnaissance

- Safi Shamsi —a_créé→ graphify (METHODOLOGIE, 0.97)
- Graphify Labs —publie→ graphify (METHODOLOGIE, 0.95)
- graphify —permet→ d'interroger un projet par traversée de graphe au lieu de grepper des fichiers (CITATION, 0.96)
- graphify —utilise→ tree-sitter (TECHNOLOGIE, 0.97)
- graphify —utilise→ NetworkX (TECHNOLOGIE, 0.93)
- graphify —utilise→ algorithme de Leiden (CONCEPT, 0.93)
- analyse AST locale —permet→ une extraction de code déterministe, sans appel de modèle et sans sortie de données (AFFIRMATION, 0.96)
- graphify —s_oppose_à→ l'index vectoriel, refusant embeddings et magasin de vecteurs (CITATION, 0.96)
- étiquetage EXTRACTED et INFERRED —permet→ de distinguer une relation lue dans la source d'une relation déduite (AFFIRMATION, 0.96)
- graphify —mesure→ un recall@10 de 0,497 sur LOCOMO contre 0,149 pour supermemory et 0,048 pour mem0 (MESURE, 0.93)
- graphify —mesure→ une exactitude QA de 45,3 % sur LOCOMO, inférieure aux 49,7 % de supermemory (MESURE, 0.93)
- graphify —mesure→ 76 % d'exactitude sur LongMemEval-S, à égalité avec un RAG dense (MESURE, 0.92)
- construction du graphe par AST —réduit→ le coût de construction à zéro crédit de modèle (MESURE, 0.95)
- graphe de code structuré —surpasse→ la récupération vectorielle pour la compréhension de code (AFFIRMATION, 0.85)
- graphify —s_applique_à→ code, documents, PDF, images, vidéo, configurations MCP et manifestes de paquets (AFFIRMATION, 0.94)
- commentaires d'intention —fait_partie_de→ le graphe, comme nœuds distincts reliés au code qu'ils expliquent (AFFIRMATION, 0.92)
- cache par empreinte et hook post-commit —résout→ la péremption du graphe face à un code qui change (AFFIRMATION, 0.92)
- sortie en wiki markdown —permet→ à un agent de naviguer la base de connaissance en lisant des fichiers plutôt qu'en analysant du JSON (CITATION, 0.92)
- graphify —utilise→ faster-whisper pour transcrire vidéo et audio localement (TECHNOLOGIE, 0.9)
- journal de requêtes local —s_oppose_à→ l'absence totale de trace, étant actif par défaut et désactivable par variable d'environnement (AFFIRMATION, 0.9)
- détection automatique de backend —s_oppose_à→ une contrainte de résidence des données, pouvant router vers des serveurs situés en Chine (AFFIRMATION, 0.88)
- graphify —converge_avec→ GitNexus (TECHNOLOGIE, 0.85)
- Graphify Labs —publie→ une plateforme commerciale appliquant la même approche en continu à tout le contexte de travail (AFFIRMATION, 0.9)
- branche main du dépôt —s_oppose_à→ la branche v8, en décrivant un produit de génération antérieure (AFFIRMATION, 0.92)

---
Canonical: https://www.thekb.eu/de/fiches/skill-shamsi-graphify-2026-08-06/