graphify

Wer schon einmal in eine fremde Codebasis eingestiegen ist, kennt das Problem, für das graphify gebaut ist: Volltextsuche und grep zeigen, wo ein String vorkommt, aber nicht, wie die Teile zusammenhängen. graphify ist ein AI-Coding-Skill, der über /graphify in rund 20 Agenten wie Claude Code, Codex, Cursor, Gemini CLI und Aider aufgerufen wird und einen Ordner aus Code, SQL-Schemas, Dokumenten, PDFs und Bildern in einen einzigen abfragbaren Wissensgraphen verwandelt. Die Ausgabe liegt in einem lokalen graphify-out/-Verzeichnis statt auf einem Datenbankserver, es ist also kein Neo4j und kein laufender Dienst nötig. Einmal gebaut, wird der Graph zu einer Gedächtnisschicht, die der Agent durchlaufen kann, um Beziehungsfragen zu beantworten, etwa was Authentifizierung mit der Datenbank verbindet, statt ständig Dateien neu zu lesen.

graphify arbeitet mit einer mehrstufigen Pipeline. Code wird lokal mit tree-sitter-Grammatiken über viele Sprachen geparst, wobei Funktionen, Klassen, Imports und Aufrufbeziehungen ohne jeden API-Aufruf extrahiert werden. Nicht-Code-Dateien wie PDFs, Markdown, Office-Dokumente und Bilder gehen zur semantischen Anreicherung an eine konfigurierte Modell-API, die Konzepte und Verknüpfungen erkennt, die die Syntax nicht hergibt, und jede Beziehung als extrahiert, abgeleitet oder mehrdeutig kennzeichnet. Ein Schritt zur Community-Erkennung mit dem Leiden-Algorithmus gruppiert dann Knoten und hebt stark vernetzte Hub-Knoten sowie unerwartete modulübergreifende Verbindungen hervor. Auffällig ist die Breite: 36 tree-sitter-Grammatiken, optionale Video- und Audiotranskription via faster-whisper und Ausgaben von einer interaktiven HTML-Ansicht über JSON, einen Obsidian-Vault, Mermaid-Aufrufdiagramme bis hin zu GraphML oder Cypher für externe Werkzeuge.

Die natürliche Zielgruppe sind Entwicklerinnen und Teams, die ohnehin in einem der unterstützten Agenten arbeiten und eine Codebasis oder einen gemischten Dokumentbestand navigierbar statt nur durchsuchbar machen wollen. Konkrete Anwendungen ergeben sich aus dem Design. Neue Teammitglieder können ein eingechecktes graphify-out/-Verzeichnis ziehen und mit einer Architekturkarte starten statt mit kaltem Datei-Lesen. Reviewer können eine PR-Impact-Analyse fahren, um zu sehen, welche Änderungen dieselben Graph-Communities berühren, und Merges entsprechend ordnen. Teams können Architekturdiagramme als Mermaid-Aufrufketten automatisch erzeugen oder den Graphen über MCP bereitstellen, sodass der Agent ihn abfragt, bevor er auf die Dateisuche zurückfällt. Ein headless extract-Kommando läuft in der CI und lässt die Wahl eines Backends zu, auch lokales Ollama, wenn Datenresidenz wichtig ist.

Die ehrlichen Einschränkungen sind real. Der semantische Schritt sendet Nicht-Code-Dateien an die Modell-API des Agenten, was Kosten und einen Datenschutzaspekt mit sich bringt, auch wenn der Code selbst dank tree-sitter lokal bleibt. Das Projekt ist mit Version 0.8.31 vor 1.0, Formate, Flags und APIs können sich also zwischen Releases noch verschieben, und das Changelog verweist bereits auf Verhaltensänderungen wie das automatische Zusammenführen von Ghost-Duplikaten. Python 3.10 oder neuer ist Pflicht, und die README weist darauf hin, dass eine reine pip-Installation scheitern kann, wenn das Skill-Python von dem eigenen abweicht, weshalb uv empfohlen wird. Die interaktive HTML-Ansicht wird zudem jenseits von rund 5000 Knoten schwerfällig und drängt bei großen Repos zu JSON-Abfragen. Nichts davon ist ein Ausschlusskriterium, aber es bestimmt, wofür sich das Werkzeug eignet.

Gegenüber einer verwalteten Graphdatenbank wie Neo4j mit eigenem Ökosystem ist graphify ein anderer Vorschlag: keine Datenbank, die man betreibt, sondern eine lokale, agentengetriebene Extraktions- und Abfrageschicht, die bei Bedarf trotzdem nach Neo4j oder FalkorDB pushen kann. Um eine bestehende Codebasis oder einen Dokumentbestand verständlich zu machen, gerade für Onboarding, Review und Architekturüberblick, ist es eine glaubwürdige und ungewöhnlich breite Open-Source-Option unter der freizügigen MIT-Lizenz. Am attraktivsten ist es, wenn man bereits einen der unterstützten Agenten nutzt und die Modell-API-Kosten für Nicht-Code-Dateien akzeptiert. Für produktionskritische Pipelines ist angesichts des Status vor 1.0 Vorsicht geboten, und wer von stabilen Ausgabeformaten abhängt, sollte eine Version pinnen.