零配置、全模态、本地运行的开源知识图谱工具，token 消耗降低 71.5 倍，无需向量数据库，pip 一键安装。
零配置、全模态、本地运行的开源知识图谱工具，token 消耗降低 71.5 倍，无需向量数据库，pip 一键安装。
Karpathy 分享了他的个人知识库工作流之后，开源社区 48 小时内就交出了产品化答案。Graphify 是一款零配置的知识图谱工具，把任意文件夹里的代码、PDF、图片、Markdown 全部自动解析成可导航的知识图谱，同时把 token 消耗压低 71.5 倍。适合需要管理大量研究资料、代码仓库或笔记的开发者和研究者。
Graphify 是 Karpathy 知识库方法论的"完全体"实现。原版方案需要手动整理 raw/ 目录、手动触发处理，且反复读取原始文件会产生大量 token 消耗。Graphify 把这套流程全部自动化，并通过两阶段处理把 token 用量砍掉 71.5 倍。
GitHub 已获 2k+ Star，PyPI 包名为 graphifyy（注意多一个 y）。
全模态自动解析
丢进文件夹即可，无需手动分类：
71.5 倍 token 节省
两阶段流程：第一阶段对代码做本地 AST 提取，完全不调用 LLM；第二阶段只对文档和图片做一次语义抽取，配合 SHA256 缓存，重复运行只处理变更文件。
在包含 52 个混合文件（代码仓库 + 5 篇论文 + 4 张图片）的测试场景下，每次查询 token 消耗降低 71.5 倍。
无需向量数据库
聚类基于图拓扑（Leiden 社区发现算法），不依赖 embeddings，省去向量数据库的部署和维护成本。
环境要求：Python 3.10+
阿里通义 Wan-Streamer v0.2 把听、看、说、演统一进单个 Transformer，实现约 550ms 端到端延迟的双工音视频交互。本文拆解它的架构、关键指标和适用场景。
# 安装
pip install graphifyy && graphify install
# 进入目标目录，一键生成知识图谱
/graphify .执行完成后，当前目录会生成 graph.html，浏览器打开即可看到可交互的知识图谱。
平台特定安装
# 龙虾平台（OpenClaw）
graphify install --platform claw
# Codex 用户需先开启并行模式
# 在 ~/.codex/config.toml 的 [features] 下添加：
# multi_agent = true提示：OpenClaw 平台对多代理并行支持尚不完善，只能顺序提取，速度会慢一些。
# 文件监听模式，代码变更后自动重新解析
graphify --watch
# 增量更新，只处理新增或变更的文件
graphify --update还支持安装 Git 钩子，在 commit 或切换分支后自动重建图谱，无需后台进程。
运行 /graphify . 后，检查当前目录是否生成了以下文件：
graph.html：可交互的知识图谱，浏览器直接打开每条关系都带有类型标注（原文提取 / 模型推断 / 歧义关系）和置信度，来源透明可查。
~/.codex/config.toml 是否已设置 multi_agent = true。--update 做增量更新，或通过 HTML 界面的过滤功能聚焦特定社区。