graphify - เครื่องมือที่เปลี่ยน codebase ให้เป็น knowledge graph ที่สืบค้นได้

• เมื่อใช้ /graphify . ใน AI coding assistant โค้ด/เอกสาร/PDF/รูปภาพ/วิดีโอทั้งหมดจะถูกแมปเป็น knowledge graph ทำให้เปลี่ยนจากการ grep ไฟล์มาเป็นการ สำรวจด้วยคำถาม
  • เมื่อถาม ระบบจะคืนเฉพาะ subgraph ที่เกี่ยวข้อง จึงไม่จำเป็นต้องอ่านไฟล์ทั้งหมด
• โค้ดจะถูก parse ภายในเครื่องด้วย tree-sitter AST โดยไม่มีการเรียก LLM เลย กล่าวคือ จำนวนโทเคน LLM สำหรับสร้างกราฟเป็นศูนย์
• โค้ดไม่ออกนอกเครื่อง องค์กรที่มีข้อกำหนดด้าน data residency จึงสามารถทำ indexing แบบออฟไลน์ทั้งหมดได้โดยไม่ต้องใช้ API key
• ทุกความเชื่อมโยงจะมีแท็กความเชื่อมั่น EXTRACTED(ระบุชัดในต้นฉบับ) / INFERRED(อนุมาน) ทำให้ไม่ต้องตกอยู่ในสถานการณ์ที่ต้องเชื่อผลลัพธ์จาก LLM ตามนั้น และ ตรวจสอบได้ว่าขอบเขตของหลักฐานอยู่ตรงไหน
• เป็น กราฟจริง ที่ไม่ใช้ embedding หรือ vector store จึงทำได้ทั้งการไล่เส้นทางระหว่างสองเป้าหมาย (path) และการอธิบายแนวคิด (explain) ไม่ใช่แค่ similarity search
• นอกจากโค้ดแล้ว ยังรวม SQL schema, Terraform/HCL, การตั้งค่า MCP, package manifest, เอกสาร Office, PDF, รูปภาพ และ URL วิดีโอเข้าไว้ในกราฟเดียวกัน
• คำสั่ง query หลัก 3 แบบ
  • graphify query "what connects auth to the database?" - คืน subgraph ที่จำกัดขอบเขตตามคำถามภาษาธรรมชาติ
  • graphify path "FastAPI" "ModelField" - แสดง shortest path ระหว่างสองเป้าหมายเป็นราย hop
  • graphify explain "APIRouter" - แสดงตำแหน่งใน source, community, degree และรายการความเชื่อมโยง
• คอมเมนต์ # NOTE: / # WHY: และการอ้างอิง ADR/RFC จะถูกดึงออกมาเป็น โหนดระดับ first-class และเชื่อมกับโค้ด → ทำให้ เหตุผลด้านการออกแบบ ที่ดูจากโค้ดอย่างเดียวไม่รู้ กลายเป็นสิ่งที่ค้นหาได้ด้วย
• สามารถติดตั้ง hook/ไฟล์คำสั่งเพื่อให้ assistant อ้างอิงกราฟก่อนเสมอ และบังคับให้ แทนที่ พฤติกรรมการอ่านไฟล์ต้นฉบับทีละไฟล์ด้วยการ query
• หาก commit graphify-out/ เข้า git สมาชิกทั้งทีมจะ เริ่มจากแผนที่โค้ดเดียวกัน มีการ rebuild อัตโนมัติทุก commit และไม่เกิดค่าใช้จ่าย API
• เปิดเผยกราฟเป็น MCP server ด้วย python -m graphify.serve และแชร์ URL เดียวให้ทั้งทีมได้ผ่าน --transport http
• MIT License