Graphify — превращаем папку с файлами в граф знаний для ИИ-агентов

Практический справочник по Graphify — open-source-инструменту, который из любой папки (код, документация, PDF, Markdown, картинки, даже видео) строит queryable knowledge graph и отдаёт его агентам как сжатый контекст вместо «прочитать все файлы заново».

Что это такое

Graphify — это open-source skill (MIT) для AI-ассистентов, который превращает любую папку с файлами в queryable knowledge graph. Под капотом: Tree-sitter для AST по коду, LLM-извлечение концептов из текстов, vision-модели для диаграмм, кластеризация (Leiden) для смысловых сообществ.[1]

Репозиторий: github.com/safishamsi/graphify. Основной интерфейс — Claude Code skill /graphify, но интеграции есть и для Codex, OpenCode, Cursor и других MCP-совместимых ассистентов.[1]

Зачем это нужно

Проблема: контекст не масштабируется

Классический подход к работе агента с большим корпусом — закидывать в контекст сырые файлы и надеяться. На маленьком репо это работает, на большом ломается: токены растут линейно, понимание — сублинейно. Чем больше файлов, тем хуже агент держит общую картину.

Идея Karpathy → продукт

Graphify вырос из публично описанного Андреем Карпати личного workflow: «складываю PDF, скриншоты, твиты в одну папку, потом LLM собирает из этого вики, навигирую через Obsidian». Карпати тогда же бросил вызов: «здесь напрашивается продукт вместо набора костыльных скриптов». Через несколько дней Сафи Шамси выкатил Graphify, и он быстро стал популярным как раз потому, что закрывает именно этот сценарий.[2]

Что вы получаете на выходе

• graph.json — queryable граф (узлы, рёбра, метаданные).
• graph.html — интерактивная визуализация в браузере.
• GRAPH_REPORT.md — читаемый человеком аудит-отчёт с «god nodes» и кластерами.[1]

Каждое ребро размечено как EXTRACTED, INFERRED или AMBIGUOUS — вы видите, что пришло прямо из источника, а что дорисовала модель.[3]

Архитектура: как это работает

Ключевой архитектурный приём — стоимость переносится «влево»: тяжёлый разбор делается один раз, при первом проходе. Дальше агент общается с графом, а не с файлами. На повторных запросах разница в токенах драматическая.[4]

Что Graphify умеет читать

• Код: Python, JS/TS, Go, Java, Rust и ещё ~22 языка через Tree-sitter — ASTs, граф вызовов, docstrings.[1]
• Документация: Markdown, plain text, README, заметки.
• Документы: PDF, статьи, research papers.
• Картинки и диаграммы: схемы, whiteboard-фотки — через vision-модели.[1]
• Транскрипты: записи встреч, расшифровки видео.[5]

Люди уже пробуют не только репозитории кода, но и Obsidian-волты, корпусы статей, SQL-схемы, личные архивы.[5]

Установка и запуск

Базовый сценарий через Claude Code

1. Установить skill (один раз).
2. Перейти в папку, которую хотите оцифровать.
3. В Claude Code выполнить:

/graphify .

1. Дождаться построения графа (зависит от размера корпуса).
2. Дальше спрашивать в обычном диалоге — агент будет ходить по графу, а не перечитывать файлы.[3]

Полезные команды

• /graphify — построить граф для текущей папки.
• /graphify query <вопрос> — запрос к графу.
• /graphify path <от> <до> — найти смысловой путь между узлами.
• /graphify explain <узел> — объяснить, что это за концепт и где он встречается.[1]

Обновление

При добавлении новых файлов используется --update: граф мёрджится, а не перестраивается с нуля. Это важно для живых корпусов — статей, базы знаний, рабочих архивов.[3]

Безопасность и приватность

Что хорошо в дизайне Graphify:

• Граф остаётся локально на диске — повторные запросы не отправляют сырые файлы наружу.[4]
• Строгая валидация входов: только http/https URLs, лимиты размера и таймаутов, защита от path traversal, HTML-escape лейблов узлов.[1]

Что нужно держать в голове:

• Первичный проход всё-таки использует LLM — то есть какие-то фрагменты текста уходят в модель на этапе извлечения концептов. Если у вас sensitive-данные, выбирайте провайдера и режим осознанно.
• EXTRACTED / INFERRED / AMBIGUOUS маркировка рёбер — не косметика, а реальный инструмент: всегда проверяйте, что часть графа не «дофантазирована».

Когда брать, а когда нет

Связка с собственным контентным графом сайта

Это часть, ради которой Graphify особенно интересен в логике pimenov.ai.

Текущее состояние

На сайте уже есть собственный контентный граф: статьи, блог, база знаний, услуги связаны через теги, graph tags и внутренние ссылки. Граф используется для подсветки маршрутов и для подсказок «куда пойти дальше». Подробнее этот контур описан в материалах «Я перестал придумывать темы сам: как граф сайта начал планировать контент за меня» и «Граф проектирует развитие контента, ИИ помогает выполнять».

Что добавляет Graphify

Контентный граф сайта строится по ручной разметке (теги, связи, описания). Graphify даёт второй слой — автоматически извлечённый смысловой граф по содержимому. Это два разных взгляда на один и тот же корпус:

• Сайтовый граф: «как я хочу, чтобы это было связано».
• Graphify-граф: «как это связано на самом деле, по тексту».

Расхождения между ними — самая ценная информация: они показывают, где в архиве есть скрытые связи, которые ещё не вынесены в навигацию.

Практический контур

Что это даёт на практике:

1. Карта дыр. Если в Graphify-графе устойчиво всплывает концепт, который у вас не оформлен как отдельный материал — это кандидат в новую публикацию.
2. Скрытые мосты. Graphify часто видит связи между статьёй и материалом базы знаний, которые вы не размечали руками. Это новые внутренние ссылки.
3. Проверка кластеров. Если ваши «рубрики» совпадают с кластерами Leiden-кластеризации — структура архива в порядке. Если нет — пора пересобирать навигацию.
4. Контекст для агента. Контент-агент получает не «весь архив сразу», а сжатый граф с понятными узлами и связями — экономия токенов и лучшая релевантность.

Ограничения и грабли

• Качество извлечения зависит от модели. Чем дешевле модель на этапе экстракции — тем больше «AMBIGUOUS» рёбер. Не экономьте на первом проходе.
• Граф не обновляется сам. Вы добавили 20 новых статей — нужно гонять --update. Это можно автоматизировать, но это надо сделать.
• Без структуры мусор остаётся мусором. Если корпус хаотичный (разные форматы заголовков, нет дат, нет тегов), граф будет шумным. Чем чище входная модель данных — тем полезнее результат.
• Не серебряная пуля для маленьких задач. На небольших корпусах overhead на построение графа не окупается.

Чеклист «как внедрить за вечер»

Ссылки

• Официальный сайт: graphify.net
• GitHub: github.com/safishamsi/graphify
• Гайд «How to Use Graphify» (Medium / Agentic Builders): medium.com/agentic-builders/how-to-use-graphify
• Разбор архитектуры и приватности (GoPenAI): blog.gopenai.com/graphify
• Связка Claude Code + Obsidian + Graphify: github.com/lucasrosati/claude-code-memory-setup

По теме

• Статья: Я перестал придумывать темы сам: как граф сайта начал планировать контент за меня
• Блог: Почему личный сайт — это не визитка, а основа всей публичной системы
• База знаний: Cloudflare Agents SDK — stateful AI-агенты на Durable Objects

Если у вас уже есть живой архив — корпус статей, репозиторий или Obsidian-волт — Graphify даёт самый дешёвый способ посмотреть на него глазами агента и увидеть, какие связи там есть на самом деле, а не только те, что вы успели разметить руками.