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

## Veille

Voce skill: **graphify** di **Safi Shamsi** (Graphify Labs, Y Combinator S26) trasforma un intero progetto — codice, documentazione, PDF, immagini, video — in un **grafo di conoscenza interrogabile**, invocato tramite `/graphify` da Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot e una quindicina di altri client. Osservato il **6 agosto 2026**: **103.187 stelle**, **10.024 fork**, repository creato il **3 aprile 2026**. Apache-2.0, Python 3.10+, branch predefinito **v8**. **Tre scelte di design**, enunciate nel README. *"Code maps for free, fully local"*: il codice viene analizzato in un **AST tree-sitter**, in modo deterministico e senza LLM, senza che nulla lasci la macchina. *"Every edge is explained"*: ogni arco è etichettato **`EXTRACTED`** (esplicito nella fonte) o **`INFERRED`** (risolto da graphify), con un terzo valore `AMBIGUOUS` che compare nel report. *"Not a vector index"*: *"no embeddings, no vector store: a real graph you traverse"*. **Tre output**: `graph.html` (grafo interattivo), `GRAPH_REPORT.md` (nodi centrali, connessioni sorprendenti, domande suggerite) e `graph.json` (grafo persistente, interrogabile settimane dopo senza rileggere i file). **Tre modalità di interrogazione** in sostituzione di grep: `query` (sottografo per una domanda in linguaggio naturale), `path A B` (percorso più breve tra due entità) e `explain` (vicinato di un concetto). **Copertura**: 36 grammatiche tree-sitter (~40 linguaggi), oltre a Terraform, Apex, configurazioni MCP, manifest di pacchetti, Office, Google Workspace, PDF, immagini e trascrizioni audio/video effettuate localmente da faster-whisper. Comunità rilevate tramite **Leiden**, etichettate senza LLM. **Benchmark**: su LOCOMO, recall@10 di **0,497** contro 0,149 per supermemory e 0,048 per mem0, ma accuratezza QA inferiore (45,3% contro 49,7%); su LongMemEval-S, **76%**, alla pari con un RAG denso; e *"Graph build — LLM credits: 0"*. **Punti da annotare**: il branch `main` porta un README dell'epoca v1 che descrive un prodotto diverso (skill esclusiva per Claude Code, l'affermazione "71,5× meno token"); il pacchetto PyPI si chiama **`graphifyy`** con due *y*, mentre il nome `graphify` è in fase di recupero; e per impostazione predefinita viene scritto un **log delle query** in `~/.cache/graphify-queries.log`, disattivabile tramite una variabile d'ambiente.

## 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 di conoscenza, grafo di conoscenza, AST, tree-sitter, analisi statica deterministica, estrazione locale, nessun LLM, NetworkX, Leiden, rilevamento di comunità, nodo centrale, connessioni sorprendenti, EXTRACTED, INFERRED, AMBIGUOUS, provenienza dell'arco, affidabilità, nessun vettore, nessun embedding, nessun vector store, attraversamento del grafo, query, path, explain, graph.json, graph.html, GRAPH_REPORT, cache SHA256, aggiornamento incrementale, watch, hook post-commit, wiki esplorabile da agenti, MCP stdio, Neo4j, GraphML, Obsidian, multimodale, PDF, vision, faster-whisper, trascrizione locale, Terraform, Apex, configurazioni MCP, manifest di pacchetti, Google Workspace, LOCOMO, LongMemEval, recall, mem0, supermemory, RAG denso, zero crediti LLM, residenza dei dati, Ollama, Bedrock, log delle query, telemetria, 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

**Profilo**: documentazione di progetto open source ad alta densità, scritta per essere letta sia da uno sviluppatore di fretta **sia** da un agente. Registro tecnico, pochissime promesse, molte tabelle — tipi di file, grammatiche, variabili d'ambiente, un riferimento completo dei comandi.

**Stile**: **la dimostrazione precede l'argomentazione**. Il README mostra un output reale prima di spiegare qualsiasi cosa — un comando `graphify explain "APIRouter"` con il suo vicinato annotato riga per riga, poi un `graphify path "FastAPI" "ModelField"` che mostra il percorso a tre salti. Il prodotto viene mostrato all'opera su un repository che il lettore conosce (FastAPI) prima che venga avanzato un solo argomento commerciale.

**Tre tratti degni di nota**:

1. **La posizione è definita da una negazione deliberata.** *« Not a vector index. No embeddings, no vector store: a real graph you traverse. »* Il progetto si posiziona **contro** il RAG vettoriale, ormai lo standard, e questa opposizione struttura tutto il resto — determinismo, costo zero, tracciabilità degli archi.
2. **Onestà riguardo ai propri benchmark.** La tabella pubblica una **sconfitta**: 45,3% di accuratezza QA su LOCOMO contro 49,7% per supermemory. Pochi progetti pubblicano la colonna in cui perdono.
3. **Il confine di riservatezza è definito dal tipo di file, non da un principio.** Il codice resta locale, così come il video (trascritto da faster-whisper), mentre documenti e immagini vengono inviati al modello. La sezione *Privacy* enumera i casi anziché promettere un'elaborazione interamente locale.

**Registro operativo imposto all'agente** (il "tono" nel senso usato dalle voci skill): lo strumento non impone nulla all'agente, gli **fornisce un substrato**. Il README dedica un'intera sezione a *« Make your assistant always use the graph »* — l'obiettivo è che l'agente consulti il grafo **prima** di leggere i file.

**Espressioni ricorrenti**: *« 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

- **Natura**: skill `/graphify` + CLI Python, Apache-2.0, distribuita su PyPI con il nome **`graphifyy`** (due *y*, mentre `graphify` è in fase di recupero). `uv tool install graphifyy && graphify install`. Funziona in Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot e una quindicina di altri client.
- **Inquadramento chiave**: il grafo sostituisce grep — si chiede una relazione, non un'occorrenza di stringa. ### Le tre scelte di design, e perché si tengono insieme 1. **Il codice viene analizzato localmente, senza LLM** — AST tree-sitter, deterministico, *« nothing leaves your machine »*. Un corpus composto solo da codice non richiede alcuna chiave API e funziona offline; documenti, PDF e immagini, al contrario, passano attraverso un modello. 2. **Ogni arco porta con sé la propria provenienza** — `EXTRACTED` (esplicito nella fonte), `INFERRED` (risolto da graphify), `AMBIGUOUS` nel report: *« You always know what was found vs guessed. »* 3. **Nessun indice vettoriale** — nessun embedding, nessun vector store, un grafo da percorrere. Le tre si rafforzano a vicenda: il determinismo azzera il costo, il costo zero rende possibile una ricostruzione frequente, e l'etichettatura degli archi rende il risultato verificabile. ### I benchmark, letti correttamente | Benchmark | Metrica | graphify | Concorrenti | |---|---|---|---| | LOCOMO (n=300) | recall@10 | **0,497** | supermemory 0,149 · mem0 0,048 | | LOCOMO (n=300) | accuratezza QA | 45,3% | **supermemory 49,7%** · mem0 27,3% | | LongMemEval-S (n=50) | accuratezza QA | 76% | **alla pari** con un RAG denso | | Costruzione del grafo | crediti LLM | **0** | fatturati per token altrove | graphify domina chiaramente in recall, **perde in accuratezza QA**, eguaglia il RAG denso sul secondo benchmark, e costruisce il proprio grafo gratuitamente. Il differenziatore difendibile è dunque **il costo e la tracciabilità**, non la qualità delle risposte: presentare graphify come "migliore del RAG" sarebbe contraddetto dai suoi stessi numeri. Protocollo dichiarato: stesso harness, stesso modello, stessi budget, giudice validato in cieco rispetto a un secondo giudice (90,6% di accordo, kappa di Cohen 0,81). Va confrontato con l'unica cifra comparabile nel corpus: Compare the Market ha misurato un grafo AST al ~70% contro il ~58% di un RAG vettoriale su 79 merge request, con il RAG che performa peggio dell'assenza di contesto — vedi [[comparethemarket-context-retrieval-ai-code-review-gkg-rag-2026-03-06]]. Due misurazioni indipendenti convergono sulla superiorità del grafo strutturato per il codice. ### Interrogazione e copertura `query "<domanda>"` restituisce un sottografo per una domanda in linguaggio naturale, `path A B` traccia il percorso tra due entità, `explain X` dispiega il vicinato di un concetto. L'esempio del README: `path "FastAPI" "ModelField"` restituisce un percorso a tre salti con il tipo di ciascun arco. Stesso vantaggio attribuito a GitNexus in [[lassiege-usine-logicielle-heure-ia-2026-07-28]]. La copertura va oltre "solo il codice": 36 grammatiche tree-sitter (~40 linguaggi, tra cui CUDA, Metal, Zig, Elixir, Julia, Dart, SystemVerilog, Fortran), oltre a SQL, Terraform/HCL, Apex Salesforce, **configurazioni MCP** (`.mcp.json`, `claude_desktop_config.json` — server, pacchetti e variabili d'ambiente richieste), manifest di pacchetti (`pyproject.toml`, `go.mod`, `pom.xml`, un nodo canonico per pacchetto), Office, Google Workspace, PDF, immagini, video e audio. Applicare graphify alle proprie configurazioni MCP è un modo inatteso e immediatamente utile di mappare la propria superficie di strumenti. ### Il "perché" come oggetto di prima classe I commenti `# NOTE:`, `# WHY:`, `# HACK:`, i docstring e le motivazioni di design presenti nella documentazione diventano **nodi separati collegati al codice che spiegano**. L'intento è trattato come un'entità del grafo: si può chiedere il *perché*, non solo il *cosa*. ### Aggiornamento e output Tre meccanismi di aggiornamento: una cache SHA256 (vengono rielaborati solo i file modificati), `--watch` (ricostruzione istantanea al salvataggio, **solo AST, nessun LLM**; documenti e immagini segnalano che è necessario un `--update`), e `graphify hook install` (un hook post-commit, nessun processo in background). La modalità `--watch` è giustificata per i flussi multi-agente: *« the graph stays current between waves automatically »*. Output per gli agenti: `--wiki` produce articoli per comunità con un `index.md` — *« point any agent at index.md and it can navigate the knowledge base by reading files instead of parsing JSON »* — e `--mcp` avvia un server MCP stdio. Esportazioni verso Obsidian, GraphML, Neo4j (cypher), SVG. ### Riservatezza, un confine granulare | Elaborazione | Dove | |---|---| | Codice (tree-sitter), video e audio (faster-whisper) | **locale**; `--code-only` impone questa modalità su un repository misto | | Documenti, PDF, immagini | **inviati al modello**; catena di priorità automatica Gemini → Kimi → Claude → OpenAI → DeepSeek → Azure → Bedrock → Ollama | **Kimi instrada verso i server di Moonshot AI in Cina** — il README lo segnala, e `--backend ollama` fornisce una modalità interamente locale. Nessuna telemetria né tracciamento d'uso, ma un **log delle query scritto per impostazione predefinita** in `~/.cache/graphify-queries.log` (timestamp, domanda, corpus, nodi restituiti, durata; i sottografi in sé non vengono memorizzati). Disattivabile tramite `GRAPHIFY_QUERY_LOG_DISABLE=1`. Locale, ma attivo senza opt-in: da conoscere prima di un impiego in un contesto sensibile. ### Due insidie documentali nel repository 1. **Il branch `main` è obsoleto**: porta un README dell'epoca v1 (7 KB) che descrive *« a Claude Code skill »* per un unico client, mette in evidenza l'affermazione "71,5× meno token" su un corpus di 52 file, e rimanda ancora a `safishamsi/graphify`. Il branch predefinito è **v8** (57 KB). Leggere v8, mai `main`. 2. **Il nome del pacchetto**: `pip install graphifyy` con due *y*; il comando CLI e della skill restano `graphify`. ### Modello di business e trazione La skill open source funge da punto d'ingresso a una piattaforma commerciale su `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 »*, attualmente con lista d'attesa. Open source locale da un lato, servizio ospitato in continuo dall'altro. **103.187 stelle in quattro mesi** rappresentano un ritmo eccezionale, ma il numero non dice nulla sull'uso effettivo, e il sito ufficiale del progetto mostra ancora 3.700 — un segno che la comunicazione non ha tenuto il passo. Citare il conteggio delle stelle come segnale di attenzione, mai come misura di adozione. **Disambiguazione**: il sito `graphify.net` è una proprietà distinta da `graphify.com`, la piattaforma commerciale.

## RésuméDe400mots

**graphify** (Safi Shamsi, Graphify Labs, Y Combinator S26) trasforma un intero progetto in un **grafo di conoscenza interrogabile**, invocato tramite `/graphify` da Claude Code, Cursor, Codex, Gemini CLI e una quindicina di altri client. Osservato il 6 agosto 2026: **103.187 stelle** per un repository creato il 3 aprile, Apache-2.0, Python.

**Tre scelte di design sostengono il progetto.** **Il codice viene analizzato localmente** in un AST tree-sitter, senza LLM: deterministico, nulla lascia la macchina, nessuna chiave API richiesta per un corpus composto solo da codice. **Ogni arco porta con sé la propria provenienza** — `EXTRACTED` se esplicito nella fonte, `INFERRED` se risolto da graphify —, *"so you can tell what was read directly from what was inferred"*. E il progetto si definisce **in opposizione al RAG vettoriale**: *"Not a vector index. No embeddings, no vector store: a real graph you traverse."*

**L'uso sostituisce grep.** `query` restituisce un sottografo per una domanda in linguaggio naturale, `path A B` traccia il percorso tra due entità, `explain` dispiega un concetto. Tre output: un grafo interattivo, un report leggibile (nodi centrali, connessioni sorprendenti, domande suggerite) e un `graph.json` persistente, interrogabile settimane dopo.

**La copertura va oltre il codice**: 36 grammatiche tree-sitter, ma anche SQL, Terraform, Apex, **configurazioni MCP**, manifest di pacchetti, Office, PDF, immagini e video trascritti localmente. I commenti `# WHY:` e le motivazioni di design diventano **nodi di prima classe collegati al codice che spiegano**.

**I benchmark richiedono una lettura attenta.** Su LOCOMO, graphify domina in recall (0,497 contro 0,149 e 0,048) ma **perde in accuratezza QA** (45,3% contro 49,7%); su LongMemEval-S **eguaglia un RAG denso** al 76%. La riga che conta è altrove: *"Graph build — LLM credits: 0"*. Il differenziatore difendibile è **il costo e la tracciabilità, non la qualità delle risposte**.

**Tre avvertenze.** Il branch `main` porta un README obsoleto dell'epoca v1 che descrive un prodotto diverso: leggere `v8`. Il pacchetto PyPI si chiama `graphifyy`, mentre il nome è in fase di recupero. E un **log delle query locale** è attivo per impostazione predefinita, disattivabile tramite una variabile d'ambiente.

La skill funge anche da punto d'ingresso a una piattaforma commerciale con lista d'attesa su graphify.com, che applica in continuo lo stesso approccio all'intero contesto di lavoro.

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