GitHub 12万 Star，一条命令把整个项目变成AI能查的知识图谱

👉这是一个或许对你有用的开源项目

国产Star破10w的开源项目，前端包括管理后台、微信小程序，后端支持单体、微服务架构

RBAC权限、数据权限、SaaS多租户、商城、支付、工作流、大屏报表、ERP 、CRM、WMS、MES、HRM、AI大模型、IoT物联网、IM聊天等功能：

• 多模块：https://gitee.com/zhijiantianya/ruoyi-vue-pro
• 微服务：https://gitee.com/zhijiantianya/yudao-cloud
• 视频教程：https://doc.iocoder.cn

01

Graphify 不是独立软件，它是装进 AI 编程助手里的一个技能。装好以后在助手里敲一句 /graphify，它就从头到尾扫一遍当前项目，扫完给你一张知识图谱。

这张图是实实在在的文件。跑完项目里会多出一个 graphify-out 目录，里面只有三个东西。graph.html 点开就能看、能筛选能搜索，GRAPH_REPORT.md 是重点摘要，graph.json 是完整数据，之后随时能查。

有一个容易混的地方，它跟向量检索不是一回事。向量检索返回「长得像」的内容，回答不了关系。它的做法更笨也更硬，先把节点和边建出来，图结构自己就是相似信号，不需要再养一个向量库。

建图时它还会顺手做两件事。一件是找出 god nodes，也就是连接数最多的那批概念，整个项目干什么基本绕不开它们。另一件是拿 Leiden 算法按连接密度把图切成一个个子系统，每个子系统自动起名，在页面里可以一块一块地看。

ruoyi-vue-pro

基于 Spring Boot + MyBatis Plus + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

项目地址：https://github.com/YunaiV/ruoyi-vue-pro

视频教程：https://doc.iocoder.cn/video/

02

省钱这件事值得单独说。代码文件全部走 tree-sitter 语法树解析，整个过程不碰大模型，代码也不出本机。只建代码这部分的图，一分钱 API 费用都不用花。

真正需要模型参与的，是文档、PDF 和图片。官方把这个过程拆成三趟，代码结构一趟全部在本地跑完，音视频用 faster-whisper 在本机转写成文字，转写出来的文字才和文档一起交给模型做语义抽取。

但这里有个官方材料自己没对齐的地方。README 的文件表列了 37 个 tree-sitter 语法，能力表写「约 40 种语言」，另一篇 how-it-works 文档写 25 种。三个数不影响结论，但值得心里有数。

yudao-cloud

基于 Spring Cloud Alibaba + Gateway + Nacos + RocketMQ + Vue & Element 实现的后台管理系统 + 用户小程序，支持 RBAC 动态权限、多租户、数据权限、工作流、三方登录、支付、短信、商城等功能

项目地址：https://github.com/YunaiV/yudao-cloud

视频教程：https://doc.iocoder.cn/video/

03

图里的每一条边都挂着标签。EXTRACTED 说的是这个关系在源码里直接写着，INFERRED 说的是工具自己推出来的，报告里还有一类 AMBIGUOUS，是工具自己也拿不准的边。真去查问题的时候，哪些是实打实的、哪些还得再看一眼，扫一遍标签就分得清。

查东西主要靠三个命令。query 接大白话的问题，返回一块相关的子图。path 用来看两个东西中间是怎么连起来的。explain 解释一个概念和它周围一圈的关系。

官方举的例子是拿 FastAPI 的图问 APIRouter，结果里能看到它出自 routing.py 第 2210 行，连着 47 个节点，每条边都带来源标签。一份能追问出处的项目关系说明书，才是它真正交到 AI 手里的东西。

04

大多数项目只说一句「效果不错」，这个项目把跑分表放进了仓库。LOCOMO 数据集三百条样本上，它的 recall@10 是 0.497，mem0 只有 0.048，supermemory 是 0.149，传统 BM25 是 0.362。

QA 准确率它拿到 45.3%，比 mem0 的 27.3% 高出一大截，比 supermemory 的 49.7% 低 4.4 个点。看着是输了，可官方把账单一起放了出来，supermemory 那次 ingest 花了 15.67 美元，graphify 是 1.40 美元。

而且 supermemory 的召回率官方自己标了「被嵌入模型混淆」，它锁死了 768 维英文嵌入模型，QA 那一栏才是干净比较。LongMemEval-S 这项它是 76%，和 dense RAG 并列第一。

这些数字值不值得信，还取决于怎么评分。官方用的是同一套 harness、同一个模型、同样的预算，评委还做了盲验，和第二位独立评委一致率 90.6%，Cohen’s kappa 0.81。

05

环境里有个 Python 3.10 以上就行，核心就两条命令。

第一条把命令行工具装上，第二条把它注册给你的 AI 助手。装完在助手里敲 /graphify . 就开始建图。成功信号很好认，项目根目录下出现 graphify-out，里面躺着那三个文件。

第一个坑在包名。PyPI 上的包叫 graphifyy，两个 y，其他叫 graphify 什么什么的都跟官方没关系，装完以后命令仍然叫 graphify。想用 uvx 临时跑一次得写成 uvx --from graphifyy graphify install，直接敲 uvx graphify 会报错。

平台差异是第二个。Windows 的 PowerShell 里要写 graphify .，不能带那个斜杠，它会被当成路径分隔符。

第三个最常见，装完提示 command not found，多半是工具目录没进 PATH，跑一句 uv tool update-shell 再开个新终端就好。平时用中文提问多的，建议顺手装上 graphifyy[chinese]，它带 jieba 分词。

建完想改行为不用重来，只看代码用 --code-only，重新聚类用 --cluster-only，不生成页面用 --no-viz，都可以用大白话跟助手说。

06

官方在代码智能上也留了实测。测试仓库是 ERPNext，一个大约一百万行的生产项目。只给助手 grep 和读文件，关键事实覆盖率是 70.8%，给它一个 graphify 工具，覆盖率升到 82.0%。

这个数字比任何形容词都有用。反过来把整个仓库塞进上下文那种做法，token 大约是它的二十倍，覆盖率反而更低。

图也不是建一次就扔那。改过的文件可以增量更新，装一个 git hook 之后，每次 commit、切分支它都自己重建。有一件事容易漏掉，graphify-out 默认在 gitignore 里，想让团队共用得手动把 graph.json 和 GRAPH_REPORT.md 拎出来提交，不然同事 clone 下来是没有图的。

接别的工具也简单，图能起成 MCP 服务或者 HTTP 服务，整个团队共用一个地址。它另外还有个 PR 看板，能看出哪些 PR 撞在同一个子系统上，合并顺序要小心。

我的判断是这样。项目上到几千个文件、新人接手要摸清架构、或者团队想把结构摊开共享，它很值；几十个文件的小项目就别折腾了，直接让 AI 读文件更快。还有一条边界要提前想好，代码以外的东西要花额度，PDF 和文档堆得多的仓库，建图那一步会有账单。