Saltar al contenido

root / tags / ast

#AST

2 fiches

Agentes de codificación IA y Skills Traducción verificada automáticamente

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. »

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.

#skill#grafo de conocimiento#grafo de conocimiento

**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.

Calidad y Seguridad Traducción verificada automáticamente

Comparing Context Retrieval Approaches for AI Code Review

Estudio empírico del equipo de ingeniería de **Compare the Market** (Meerkat Careers, Reino Unido) que evalúa cuatro enfoques para la **recuperación de contexto en revisión de código con IA**: Baseline (sin contexto adicional), **RAG** (búsqueda vectorial), **GKG** (GitLab Knowledge Graph, grafo de conocimiento basado en AST) y **GKG+RAG** (híbrido). Evaluación sobre **79 merge requests reales** con **MLflow en Databricks**. Resultado llamativo: **RAG rinde peor que el baseline** en casi todas las métricas — el ruido vectorial resulta contraproducente para la revisión de código. **GKG supera a RAG en un +21%** en cobertura de comentarios en línea (0,696 frente a 0,577) gracias a la comprensión estructural mediante AST (Tree-sitter + base de datos de grafos Kuzu). El código requiere comprensión **estructural** (llamadores, firmas, jerarquías), no una mera similitud semántica. GKG cuesta 4 veces el baseline pero aporta mejoras medibles; RAG cuesta 3 veces sin mejora alguna. Implementado como **sidecar Docker** en CI/CD que envuelve el binario de GKG (aún en beta en GitLab) con un servidor MCP local.

#Compare the Market#Meerkat Careers#revisión de código con IA

Équipe Engineering Compare the Market (Meerkat Careers, UK — site de comparaison d'assurances et services financiers).