GuideIntermediate

Graphify · 给你的 AI 一张项目的完整地图（最进阶的一环）

这是你的 AI 知识体系里最进阶的一环——图谱，也就是你刚看到的 brain 三大组成部分之一。你已经给 AI 装上了记忆，已经在把东西存进 GitHub，也已经知道什么时候该用 RAG、什么是 brain。但总有一个临界点，相似度检索会力不从心：当你的项目变得那么大，AI 再也搞不清一切是怎么连起来的——谁依赖谁，动一块会不会牵一发而动全身。到那时它就开始盲目地读文件、白白多花 token、重复犯同样的错、把原本好好的东西改坏。Graphify 从根上解决这个问题：它把你的整个项目——代码、数据库结构、文档、论文，甚至图片和视频——变成一张知识图谱，AI 一个问题就能查询。它开源、免费，如今是一个用一个命令就能装好的"skill"。而且注意：它不只是给程序员用的——下面你会看到面向不同类型用户的好几个场景。

Jun 19, 202611 min

你的 AI 知识体系里最进阶的一环

这份指南深入讲解图谱，也就是你在上一个资源里看到的 brain 的第三块拼图：[记忆](/recursos/memoria-para-tu-ia-herramientas) → [RAG](/recursos/rag-sin-humo-cuando-lo-necesitas) → [brain](/recursos/el-brain-cerebro-de-tu-app) → 深入图谱。你不用会编程也能看懂它，而且你会看到代码之外的场景（文档、研究、你的生意）。

什么时候会需要它？（不只是检索）

当你的项目不再是"一堆要检索的东西"，而变成"一张彼此相连的网"时，这个需求就出现了。信号有这些：你让 AI 改一处，它却把项目另一头的东西弄坏了；你问它"如果我改这个会怎样？"，它答不上来；或者你的信息多到连记忆和 RAG 都没法让 AI 看清一切是怎么拼在一起的全貌。

痛点：AI "修好"一样东西，却弄坏另一样

这是用 AI 做规模化开发时最让人抓狂的痛点。AI 改了一个文件，却不知道另外五块都依赖它 → 它这边修好的，那边就弄坏了。不是它笨：而是它靠相似度检索，却不理解那些连接关系。图谱正好补上它缺的这一块。

记忆 vs RAG vs 图谱 · 一句话讲清区别

三者都在给你的 AI 提供知识，但解决的是不同的问题。这是几乎没人讲清楚的区别：

三者，别搞混

记忆 → 在会话之间记住你的规则和你的项目。（连续性。）

RAG → 靠相似度检索，把你文档里和你的问题相近的片段取出来。（找到。）

图谱 → 理解连接关系：谁依赖谁，改动某处会弄坏什么。（对结构进行推理。）

这样想 · 地铁图

没有图谱，你的 AI 就像一个在超大城市里的游客，每到一个路口都要问路（这既费 token 又容易迷路）。有了知识图谱，你就给了它一张地铁图：它一眼看清整座城市，知道哪一站连着哪一站，直达目的地。RAG 告诉你"这里有几条和你要找的相似的街"；图谱告诉你"这条街通向那条，如果你把这条封了，整片区域都会堵住"。

Graphify 是什么？（说人话）

Graphify 是一个免费的开源工具，它把整个文件夹——你的代码、你的数据库结构、你的文档、论文，甚至图片和视频——变成一张知识图谱：一张地图，每个东西是一个点，每条连接是一条线。AI 不用盲目地读 50 个文件，而是去问这张图"X 和 Y 是怎么连接的？"，然后只用一次查询就得到答案。

如今 Graphify 以"skill"的形式运作（就像那份 5 个办公 skill 资源里的那些一样）：装一次，你的 AI 助手——Claude Code、Cursor、Codex、Gemini CLI 等等——需要时就会用它。而且它是多模态的：不只理解代码，还理解 SQL、脚本、文档、论文等等。

safishamsi/graphify

REPO

Graphify——把任意文件夹（代码、SQL 结构、脚本、文档、论文、图片、视频）变成一张可查询的知识图谱，供 AI 助手（Claude Code、Codex、Cursor、Gemini CLI 等）使用。开源，由 Safi Shamsi 维护。

PythonMITView on GitHub

面向各类用户 · 4 个真实场景

Graphify 不只是给编程的人用的。任何手上有一堆彼此相连的信息的人都能受益。以下是四个不同的场景：

1 · 做应用的人（代码）

经典场景：你的项目变大了，AI 在文件之间迷了路。有了图谱，动手之前它就知道谁依赖谁——不再把原本好好的东西改坏。更少 bug、更少 token、更安全的改动。

2 · 研究者或学生（论文和文档）

你有 80 篇论文，或者一大堆论文文档。图谱把它们之间的想法连起来："哪些作者有关联？"、"哪个概念把这篇论文和那篇连在一起？"。你的 AI 对你整个资料库进行推理，而不是一篇篇地看。

3 · 生意的老板（你的运营）

你的流程、政策、产品和客户以千百种方式相连。图谱让你的 AI 理解这些关系："如果我改这条政策，会影响哪些流程？"。它从回答零散的事实，变成把你的生意当成一个系统来理解。

4 · 把一切混在一起的人（数据 + 文档 + 代码）

最强的地方：Graphify 把你的代码、你的数据库结构和你的文档放进同一张图谱。你的 AI 把应用、数据和决策看成同一张网——那种任何单独一个文件都给不了它的完整上下文。

安装 · 一个命令（你需要 Python）

Graphify 用一个命令就能装好。你需要电脑上装有 Python。（注意：这个包叫 graphifyy，带双 "y"。）

安装 Graphifybash

pip install graphifyy && graphify install

如果命令失败了

在 macOS 上，或者你看到 "externally-managed-environment" 报错时，用 pipx install graphifyy（它会自己处理好一切）。在 Windows 上，如果装完后不认 graphify，pipx install graphifyy 同样能解决。而最省事的办法：如果你用的是代码 agent，把下面的 prompt 丢给它，让它去搞定安装。

怎么用 · 你去问那张图

装好之后，Graphify 就是一个用 /graphify 调用的 skill。你先给你的文件夹构建一次图谱，然后就用自然语言向它提问。一个真实查询看起来就这么简单：

查询你的图谱（真实示例）bash

/graphify query "是什么把登录和用户数据库连接了起来？"

让它变得有价值的习惯

图谱不是一次性的：把它变成一种反射——在大改动之前查询它（"如果我动这个，会弄坏什么？"），并且在项目变化较大时重建它。一张过时的图会让人迷失方向；一张新鲜的图能帮你省下好几个小时。就像整个系列一样：工具的价值在于习惯，而不在于装一次。

Prompt 1 · 让你的 AI 装好它并构建图谱

如果你不想碰终端，就让你的代码 agent 全包了。复制粘贴给它：

粘给你的 agent · 安装并构建图谱texto

我想用 Graphify（https://github.com/safishamsi/graphify）把这个项目变成一张你可以查询的知识图谱。请引导我，能你自己做的地方就你来做，用简单的语言。

1. 检查它是否已安装；如果没有，就装上（pip install graphifyy && graphify install，如果 pip 失败就用 pipx install graphifyy）。
2. 在这个项目的根目录上给我构建图谱。
3. 用简单的话向我解释它生成了什么（可视化图谱、可查询的文件和报告）。
4. 给我做一个测试查询来确认它能用，比如我项目里两个关键部分是怎么连接的。
5. 如果有什么只能我自己做，就用确切的步骤告诉我。

Prompt 2 · 在每次大改动前用它（防改坏东西）

这个才是真正帮你省心的。在让 AI 做重要改动之前，先让它查询图谱：

粘给你的 agent · 改动而不弄坏texto

在做这个改动之前：[描述你想做的改动]，请查询 Graphify 的知识图谱来理解影响范围。

1. 问图谱，项目里有哪些部分依赖我要动的东西。
2. 告诉我什么可能会被弄坏，以及改动之后需要检查什么。
3. 只有到那时，再考虑到这些连接关系去提出改动。
4. 等我们做完并且能正常运行了，提醒我把进度存到 GitHub。

目的是不弄坏任何在底层相连的东西。