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

## Veille

Entrada de skill: **graphify**, de **Safi Shamsi** (Graphify Labs, Y Combinator S26), convierte un proyecto completo — código, documentación, PDF, imágenes, vídeos — en un **grafo de conocimiento consultable**, invocado mediante `/graphify` desde Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot y una quincena de otros clientes. Observado el **6 de agosto de 2026**: **103.187 estrellas**, **10.024 forks**, repositorio creado el **3 de abril de 2026**. Apache-2.0, Python 3.10+, rama por defecto **v8**. **Tres decisiones de diseño**, expuestas en el README. *"Code maps for free, fully local"*: el código se analiza en un **AST tree-sitter**, de forma determinista y sin LLM, sin que nada salga de la máquina. *"Every edge is explained"*: cada arista se etiqueta como **`EXTRACTED`** (explícita en la fuente) o **`INFERRED`** (resuelta por graphify), con un tercer valor `AMBIGUOUS` que aparece en el informe. *"Not a vector index"*: *"no embeddings, no vector store: a real graph you traverse"*. **Tres salidas**: `graph.html` (grafo interactivo), `GRAPH_REPORT.md` (nodos god, conexiones sorprendentes, preguntas sugeridas) y `graph.json` (grafo persistente, consultable semanas después sin releer los archivos). **Tres modos de consulta** que sustituyen a grep: `query` (subgrafo para una pregunta en lenguaje natural), `path A B` (camino más corto entre dos entidades) y `explain` (vecindario de un concepto). **Cobertura**: 36 gramáticas tree-sitter (~40 lenguajes), además de Terraform, Apex, configuraciones MCP, manifiestos de paquetes, Office, Google Workspace, PDF, imágenes y vídeo/audio transcritos localmente mediante faster-whisper. Comunidades detectadas vía **Leiden**, etiquetadas sin LLM. **Benchmarks**: en LOCOMO, recall@10 de **0,497** frente a 0,149 de supermemory y 0,048 de mem0, pero con menor precisión de QA (45,3% frente a 49,7%); en LongMemEval-S, **76%**, a la par de un RAG denso; y *"Graph build — LLM credits: 0"*. **Puntos a registrar**: la rama `main` mantiene un README de la era v1 que describe un producto distinto (skill exclusiva de Claude Code, la afirmación de "71,5× menos tokens"); el paquete PyPI se llama **`graphifyy`**, con dos *y*, mientras se recupera el nombre `graphify`; y se escribe por defecto un **registro de consultas** en `~/.cache/graphify-queries.log`, que puede desactivarse mediante una variable de entorno.

## 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, grafo de conocimiento, grafo de conocimiento, AST, tree-sitter, análisis estático determinista, extracción local, sin LLM, NetworkX, Leiden, detección de comunidades, nodo god, conexiones sorprendentes, EXTRACTED, INFERRED, AMBIGUOUS, procedencia de la arista, confianza, sin vectores, sin embeddings, sin vector store, recorrido de grafo, query, path, explain, graph.json, graph.html, GRAPH_REPORT, caché SHA256, actualización incremental, watch, hook post-commit, wiki navegable por agentes, MCP stdio, Neo4j, GraphML, Obsidian, multimodal, PDF, visión, faster-whisper, transcripción local, Terraform, Apex, configuraciones MCP, manifiestos de paquetes, Google Workspace, LOCOMO, LongMemEval, recall, mem0, supermemory, RAG denso, cero créditos LLM, residencia de datos, Ollama, Bedrock, registro de consultas, telemetría, 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

**Perfil**: documentación de proyecto de código abierto de alta densidad, escrita para ser leída por un desarrollador con prisa **y** por un agente. Registro técnico, muy pocas promesas, muchas tablas — tipos de archivo, gramáticas, variables de entorno, una referencia completa de comandos.

**Estilo**: **la demostración precede al argumento**. El README muestra un resultado real antes de explicar nada — un comando `graphify explain "APIRouter"` con su vecindario anotado línea por línea, luego un `graphify path "FastAPI" "ModelField"` que muestra el camino de tres saltos. El producto se muestra funcionando sobre un repositorio que el lector conoce (FastAPI) antes de que se formule un solo argumento comercial.

**Tres rasgos notables**:

1. **La posición se define mediante una negación deliberada.** *« Not a vector index. No embeddings, no vector store: a real graph you traverse. »* El proyecto se posiciona **en contra** del RAG vectorial, hoy el estándar, y esa oposición estructura todo lo demás — determinismo, coste cero, trazabilidad de las aristas.
2. **Honestidad sobre sus propios benchmarks.** La tabla publica una **derrota**: 45,3% de precisión de QA en LOCOMO frente al 49,7% de supermemory. Pocos proyectos publican la columna en la que pierden.
3. **El límite de privacidad se fija por tipo de archivo, no por principio.** El código permanece local, también el vídeo (transcrito por faster-whisper), mientras que los documentos y las imágenes van al modelo. La sección *Privacy* enumera casos en lugar de prometer un procesamiento exclusivamente local.

**Registro operativo impuesto al agente** (el "tono" en el sentido usado por las entradas de skill): la herramienta no le dicta nada al agente, le **proporciona un sustrato**. El README dedica una sección entera a *« Make your assistant always use the graph »* — el objetivo es que el agente consulte el grafo **antes** de leer archivos.

**Frases marcadoras**: *« 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

- **Naturaleza**: skill `/graphify` + CLI Python, Apache-2.0, distribuida en PyPI bajo el nombre **`graphifyy`** (con dos *y*, mientras se recupera `graphify`). `uv tool install graphifyy && graphify install`. Funciona en Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot y una quincena de otros clientes.
- **Enfoque clave**: el grafo sustituye a grep — se pide una relación, no una ocurrencia de cadena. ### Las tres decisiones de diseño, y por qué se sostienen entre sí 1. **El código se analiza localmente, sin LLM** — AST tree-sitter, determinista, *« nothing leaves your machine »*. Un corpus solo de código no requiere clave de API y funciona sin conexión; los documentos, PDF e imágenes, en cambio, pasan por un modelo. 2. **Cada arista lleva su procedencia** — `EXTRACTED` (explícita en la fuente), `INFERRED` (resuelta por graphify), `AMBIGUOUS` en el informe: *« You always know what was found vs guessed. »* 3. **Sin índice vectorial** — sin embeddings, sin vector store, un grafo que se recorre. Las tres se refuerzan entre sí: el determinismo hace que el coste sea cero, el coste cero permite reconstruir con frecuencia, y el etiquetado de aristas hace el resultado auditable. ### Los benchmarks, leídos correctamente | Benchmark | Métrica | graphify | Campo | |---|---|---|---| | LOCOMO (n=300) | recall@10 | **0,497** | supermemory 0,149 · mem0 0,048 | | LOCOMO (n=300) | precisión QA | 45,3% | **supermemory 49,7%** · mem0 27,3% | | LongMemEval-S (n=50) | precisión QA | 76% | **a la par** de un RAG denso | | Construcción del grafo | créditos LLM | **0** | facturado por token en otros casos | graphify domina claramente en recall, **pierde en precisión de QA**, iguala al RAG denso en el segundo benchmark, y construye su grafo de forma gratuita. El diferenciador defendible es, por tanto, **el coste y la trazabilidad**, no la calidad de las respuestas: presentar graphify como "mejor que RAG" quedaría contradicho por sus propias cifras. Protocolo acreditado: mismo harness, mismo modelo, mismos presupuestos, juez validado a ciegas frente a un segundo juez (90,6% de acuerdo, kappa de Cohen 0,81). Vale la pena compararlo con la única cifra comparable del corpus: Compare the Market midió un grafo AST en ~70% frente a ~58% de un RAG vectorial sobre 79 merge requests, con el RAG rindiendo peor que sin contexto alguno — véase [[comparethemarket-context-retrieval-ai-code-review-gkg-rag-2026-03-06]]. Dos mediciones independientes convergen en la superioridad del grafo estructurado para código. ### Consultas y cobertura `query "<pregunta>"` devuelve un subgrafo para una pregunta en lenguaje natural, `path A B` traza el camino entre dos entidades, `explain X` despliega el vecindario de un concepto. El ejemplo del README: `path "FastAPI" "ModelField"` devuelve un camino de tres saltos con el tipo de cada arista. Mismo beneficio que el atribuido a GitNexus en [[lassiege-usine-logicielle-heure-ia-2026-07-28]]. La cobertura va más allá del "solo código": 36 gramáticas tree-sitter (~40 lenguajes, incluyendo CUDA, Metal, Zig, Elixir, Julia, Dart, SystemVerilog, Fortran), además de SQL, Terraform/HCL, Apex Salesforce, **configuraciones MCP** (`.mcp.json`, `claude_desktop_config.json` — servidores, paquetes y variables de entorno requeridas), manifiestos de paquetes (`pyproject.toml`, `go.mod`, `pom.xml`, un nodo canónico por paquete), Office, Google Workspace, PDF, imágenes, vídeo y audio. Grafiar las propias configuraciones MCP es una forma inesperada e inmediatamente útil de cartografiar la superficie de herramientas propia. ### El "por qué" como objeto de primer orden Los comentarios `# NOTE:`, `# WHY:`, `# HACK:`, los docstrings y la lógica de diseño hallada en la documentación se convierten en **nodos independientes vinculados al código que explican**. La intención se trata como una entidad más del grafo: se puede preguntar *por qué*, no solo *qué*. ### Frescura y salidas Tres mecanismos de frescura: una caché SHA256 (solo se reprocesan los archivos cambiados), `--watch` (reconstrucción instantánea al guardar, **solo AST, sin LLM**; los documentos e imágenes señalan que se necesita un `--update`) y `graphify hook install` (un hook post-commit, sin proceso en segundo plano). El modo `--watch` se justifica para flujos multiagente: *« the graph stays current between waves automatically »*. Salidas para agentes: `--wiki` genera artículos por comunidad con un `index.md` — *« point any agent at index.md and it can navigate the knowledge base by reading files instead of parsing JSON »* — y `--mcp` inicia un servidor MCP stdio. Exportaciones a Obsidian, GraphML, Neo4j (cypher), SVG. ### Privacidad, un límite de grano fino | Procesamiento | Dónde | |---|---| | Código (tree-sitter), vídeo y audio (faster-whisper) | **local**; `--code-only` fuerza este modo en un repositorio mixto | | Documentos, PDF, imágenes | **enviados al modelo**; cadena de prioridad automática Gemini → Kimi → Claude → OpenAI → DeepSeek → Azure → Bedrock → Ollama | **Kimi enruta hacia servidores de Moonshot AI en China** — el README lo señala, y `--backend ollama` ofrece un modo totalmente local. Sin telemetría ni seguimiento de uso, pero se escribe por defecto un **registro de consultas** en `~/.cache/graphify-queries.log` (marca temporal, pregunta, corpus, nodos devueltos, duración; los subgrafos en sí no se almacenan). Puede desactivarse mediante `GRAPHIFY_QUERY_LOG_DISABLE=1`. Local, pero activo sin opt-in: conviene saberlo antes de un despliegue en un contexto sensible. ### Dos trampas de documentación en el repositorio 1. **La rama `main` está desactualizada**: mantiene un README de la era v1 (7 KB) que describe *« a Claude Code skill »* para un único cliente, destaca la afirmación de "71,5× menos tokens" sobre un corpus de 52 archivos, y sigue apuntando a `safishamsi/graphify`. La rama por defecto es **v8** (57 KB). Leer v8, nunca `main`. 2. **El nombre del paquete**: `pip install graphifyy` con dos *y*; el comando de la CLI y de la skill sigue siendo `graphify`. ### Modelo de negocio y tracción La skill de código abierto es la puerta de entrada a una plataforma comercial en `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 »*, actualmente con lista de espera. Código abierto local por un lado, servicio alojado de forma continua por otro. **103.187 estrellas en cuatro meses** es un ritmo excepcional, pero la cifra no dice nada sobre el uso real, y el sitio oficial del proyecto sigue mostrando 3.700 — señal de que la comunicación no se ha mantenido al día. Citar el número de estrellas como señal de atención, nunca como medida de adopción. **Desambiguación**: el sitio `graphify.net` es una propiedad distinta de `graphify.com`, la plataforma comercial.

## RésuméDe400mots

**graphify** (Safi Shamsi, Graphify Labs, Y Combinator S26) convierte un proyecto completo en un **grafo de conocimiento consultable**, invocado mediante `/graphify` desde Claude Code, Cursor, Codex, Gemini CLI y una quincena de otros clientes. Observado el 6 de agosto de 2026: **103.187 estrellas** para un repositorio creado el 3 de abril, Apache-2.0, Python.

**Tres decisiones de diseño sustentan el proyecto.** **El código se analiza localmente** en un AST tree-sitter, sin LLM: determinista, nada sale de la máquina, no se requiere clave de API para un corpus solo de código. **Cada arista lleva su procedencia** — `EXTRACTED` si es explícita en la fuente, `INFERRED` si graphify la ha resuelto —, *"so you can tell what was read directly from what was inferred"*. Y el proyecto se define **frente al RAG vectorial**: *"Not a vector index. No embeddings, no vector store: a real graph you traverse."*

**El uso sustituye a grep.** `query` devuelve un subgrafo para una pregunta en lenguaje natural, `path A B` traza el camino entre dos entidades, `explain` despliega un concepto. Tres salidas: un grafo interactivo, un informe legible (nodos god, conexiones sorprendentes, preguntas sugeridas) y un `graph.json` persistente, consultable semanas después.

**La cobertura va más allá del código**: 36 gramáticas tree-sitter, pero también SQL, Terraform, Apex, **configuraciones MCP**, manifiestos de paquetes, Office, PDF, imágenes y vídeo transcrito localmente. Los comentarios `# WHY:` y la lógica de diseño se convierten en **nodos de primer orden vinculados al código que explican**.

**Los benchmarks exigen una lectura atenta.** En LOCOMO, graphify domina en recall (0,497 frente a 0,149 y 0,048) pero **pierde en precisión de QA** (45,3% frente a 49,7%); en LongMemEval-S **iguala a un RAG denso** con 76%. La cifra que importa está en otro lugar: *"Graph build — LLM credits: 0"*. El diferenciador defendible es **el coste y la trazabilidad, no la calidad de las respuestas**.

**Tres advertencias.** La rama `main` mantiene un README obsoleto de la era v1 que describe un producto distinto: hay que leer `v8`. El paquete PyPI se llama `graphifyy`, mientras se recupera el nombre. Y un **registro de consultas local** está activo por defecto, y puede desactivarse mediante una variable de entorno.

La skill sirve también como puerta de entrada a una plataforma comercial con lista de espera en graphify.com, que aplica de forma continua el mismo enfoque a todo el contexto de trabajo.

## 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/es/fiches/skill-shamsi-graphify-2026-08-06/