Graphify: Jede Codebasis ohne Vektorspeicher in einen abfragbaren Wissensgraphen verwandeln

Codebasen wachsen, und mit ihnen die Notizen, Paper und Screenshots, die sie umgeben. Ein Coding-Agent liest dennoch meist zu Beginn jeder neuen Sitzung dieselben Rohdateien von Grund auf neu. Das verbrennt Tokens und hinterlässt kein dauerhaftes Gedächtnis zwischen den Sitzungen. Graphify ist ein Open-Source-Projekt, das genau dieses Problem angeht. Es ist ein Claude-Code-Skill: Man tippt /graphify in Claude Code, das Werkzeug liest die Dateien eines Ordners, baut einen Wissensgraphen und liefert eine Struktur zurück, von der man nichts wusste. Laut README des Projekts braucht eine Abfrage 71,5-mal weniger Tokens als das Lesen der Rohdateien, der Graph bleibt über Sitzungen hinweg erhalten, und das Werkzeug trennt, was es gefunden hat, von dem, was es vermutet. Das README verweist außerdem auf Andrej Karpathy, der einen /raw-Ordner führt, in den er Paper, Tweets, Screenshots und Notizen wirft. Graphify versteht sich als Antwort auf das Problem, das ein solcher Ordner schafft: Material häuft sich an, aber niemand kann es effizient nutzen. Eine Warnung ist nötig. Die Zahl 71,5 stammt aus der Beschreibung des Projekts selbst. Wir haben sie nicht nachgestellt. Man sollte sie als Größenordnung lesen, nicht als Garantie.

Das erste prägende Merkmal ist die vollständige Multimodalität. Die Eingabe beschränkt sich nicht auf Quellcode. PDFs, Markdown-Dateien, Screenshots, Diagramme, Whiteboard-Fotos und sogar Bilder mit Text in anderen Sprachen lassen sich direkt einspeisen. Graphify nutzt die Bildverarbeitung von Claude, um aus diesem gemischten Material Konzepte und Beziehungen zu ziehen, und verbindet alles in einem einzigen Graphen. In der Praxis werden eine handgezeichnete Systemskizze, ein PDF aus einem Design-Review und der Quellcode eines Kernmoduls zu verknüpften Knoten in einer Struktur, statt in drei Ordnern zu liegen, die sich nie begegnen. Für Teams, die ständig abgleichen, was die Dokumente sagen und was der Code tut, hat eine einheitliche Darstellung echten Wert. Das Design erklärt auch den Titelzusatz „ohne Vektorspeicher“. Abfragen stützen sich auf explizite Knoten und Kanten, nicht auf Ähnlichkeitswerte in einem Einbettungsraum. Man tauscht die Unschärfe der Nächste-Nachbarn-Suche gegen Beziehungen, die ein Mensch prüfen und anfechten kann.

Das zweite Merkmal ist die sorgfältige Gestaltung der Ausgaben. Ein Lauf von /graphify auf einem Ordner erzeugt ein Verzeichnis graphify-out mit klar getrennten Aufgaben. Die Datei graph.html ist eine interaktive Ansicht, in der man Knoten anklickt, sucht und nach Community filtert. Der Ordner obsidian lässt sich direkt als Obsidian-Vault öffnen. Mit der Option --wiki schreibt das Werkzeug zusätzlich Artikel im Wikipedia-Stil, die der Navigation von Agenten dienen. GRAPH_REPORT.md ist ein Bericht, der die God Nodes auflistet, also die am dichtesten vernetzten Kernkonzepte, dazu überraschende Verbindungen und Fragen für den nächsten Schritt. Die Datei graph.json enthält den persistenten Graphen, sodass man ihn Wochen später abfragen kann, ohne die Quellen erneut zu lesen. Schließlich speichert ein Ordner cache SHA256-Prüfsummen, damit ein erneuter Lauf nur geänderte Dateien verarbeitet. Die Ausgaben bedienen beide Seiten, den Menschen, der stöbern will, und den Agenten, der navigieren will, und der inkrementelle Cache hält die Kosten der täglichen Iteration im Rahmen.

Die Installation ist leichtgewichtig. Nötig sind Claude Code und Python 3.10 oder neuer; dann folgen pip install graphifyy und graphify install. Ein Detail kann stolpern lassen: Das PyPI-Paket heißt vorübergehend graphifyy mit zwei y, weil der Name graphify noch zurückgeholt wird. Das Kommandozeilenwerkzeug und der Skill-Befehl behalten den Namen graphify. Wird der Befehl unter Windows nach der Installation nicht erkannt, fügt man den Python-Scripts-Ordner dem PATH hinzu oder nutzt pipx. Auch der macOS-Fehler zur extern verwalteten Umgebung lässt sich mit pipx beheben. Es gibt außerdem einen manuellen Weg: Die Skill-Datei SKILL.md per curl nach ~/.claude/skills/graphify laden und in ~/.claude/CLAUDE.md eintragen. Danach öffnet man Claude Code in einem beliebigen Verzeichnis und tippt /graphify gefolgt von einem Punkt.

Aus Branchensicht zeigt Graphify eine beachtenswerte Richtung. Statt das Langzeitgedächtnis ganz einer Vektordatenbank zu überlassen, lässt es das Modell das Material einmal in einen expliziten Graphen „kompilieren“, und spätere Abfragen lesen nur diesen Graphen. Die Vorteile: prüfbare Ergebnisse, inkrementelle Aktualisierung, Stabilität über Sitzungen hinweg. Der Preis: Die Qualität des Graphen hängt von der Genauigkeit der Extraktion durch das Modell ab, und eine falsche Kante wird, einmal geschrieben, weiterverwendet. Die Betonung des Projekts auf die Trennung von Gefundenem und Vermutetem ist eine Antwort auf dieses Risiko, doch wie gut sie wirkt, muss man am eigenen Korpus prüfen. Der erste Aufbau eines großen Ordners ruft das Modell auf, besonders bei der visuellen Extraktion, die Kosten sind also nicht vernachlässigbar, und der SHA256-Cache senkt nur spätere Läufe. Unsere Empfehlung ist praktisch. Zuerst ein mittelgroßes Repository testen, die God Nodes in GRAPH_REPORT.md mit dem eigenen Systemverständnis vergleichen und einige Kanten bis zu ihren Quellen zurückverfolgen. Erst dann entscheiden, ob es in den täglichen Agenten-Workflow gehört. Halten die Ergebnisse stand, kann ein solcher Graph zu einer gemeinsamen Kontextschicht für Code, Dokumente und visuelles Material werden.