promptgarten 🌱
🌍 EN

Addons & Integrationen · Wissens-Graph

Graphify

★ 83.100+

Verwandelt deinen Code-Ordner in einen durchsuchbaren Wissens-Graphen — per lokalem Tree-sitter-Parsing (~40 Sprachen), ganz ohne LLM-Aufrufe und statt Vektor-Embeddings.

Graphify parst deinen Code-Ordner lokal mit Tree-sitter (36 Grammatiken: Python, TypeScript, Go, Rust, Java, C++ u.v.m.) — komplett ohne LLM-Aufrufe. Aus AST-Beziehungen wie calls, imports, inherits und mixes_in entsteht ein Wissens-Graph, den du als interaktives graph.html, als GRAPH_REPORT.md oder als graph.json bekommst. Jede Kante ist mit EXTRACTED (explizit im Code gefunden) oder INFERRED (abgeleitet) markiert, sogenannte „God Nodes" markieren die am stärksten vernetzten Konzepte, eine Leiden-Clustering-Analyse gruppiert zusammengehörige Subsysteme.

Für Claude Code registriert graphify claude install eine CLAUDE.md-Direktive plus einen PreToolUse-Hook, der automatisch vor jeder Datei-Suche den Graphen konsultiert — der Agent muss also nicht mehr blind durch den Code grepen. Ein eigener MCP-Server (python -m graphify.serve) stellt Tools wie query_graph, get_neighbors und shortest_path bereit, auch als HTTP-Server für Team-Nutzung. Neben Claude Code werden auch Cursor, Codex, Gemini CLI, GitHub Copilot und über 15 weitere Tools unterstützt. Optional lässt sich der Graph per --obsidian-Flag direkt als Obsidian-Vault exportieren (eine Notiz pro Knoten, inklusive Backlinks). Für PDF-, Office-, Video- oder Google-Workspace-Dateien kann optional ein LLM-Backend (Claude, OpenAI, Gemini, Ollama lokal) hinzugeschaltet werden — das Code-Parsing selbst bleibt aber immer lokal.

🔧 SETUP

  1. Installieren: `uv tool install graphifyy` (empfohlen) — alternativ `pipx install graphifyy` oder `pip install graphifyy`
  2. Skill für Claude Code registrieren: `graphify install` (für andere Editoren z.B. `graphify cursor install`, `graphify codex install --platform codex`)
  3. Graph erzeugen: im Projektordner `/graphify .` ausführen — erstellt `graph.html`, `GRAPH_REPORT.md` und `graph.json` in `graphify-out/`
  4. Always-On-Integration: `graphify claude install` schreibt eine `CLAUDE.md`-Direktive plus PreToolUse-Hook, der den Graphen automatisch vor Datei-Suchen konsultiert
  5. Optional eigenen MCP-Server starten: `python -m graphify.serve graphify-out/graph.json` (mit `--transport http --host 0.0.0.0 --api-key ...` auch fürs Team)

✅ WANN EINSETZEN?

Große, gewachsene Codebasen

Bei einem Monorepo mit hunderten Dateien ersetzt eine Graph-Abfrage teure Grep/Glob-Serien — Community-Berichte sprechen von bis zu 70× weniger Tokens.

Cross-File-Zusammenhänge verstehen

"Was ruft X auf, was erbt von Y?" per `graphify query "..."` oder `graphify path "ServiceA" "ServiceB"` statt manuell durch den Code zu klicken.

⛔ WANN EHER NICHT?

Kleine oder neue Projekte

Bei wenigen Dateien lohnt sich der Setup- und Parsing-Overhead kaum, normale Grep/Glob-Suche ist schneller eingerichtet.

Besser: Direkt mit Claude Codes eingebauter Grep/Glob-Suche arbeiten.

Docs-/Medien-Extraktion ohne API-Key

Für PDF-, Office- oder Video-Extraktion braucht Graphify optional ein LLM-Backend (z.B. ANTHROPIC_API_KEY) — reines Code-Parsing bleibt zwar lokal, die Extras kosten aber API-Calls.

Besser: Nur Standard-Code-Parsing nutzen oder `OLLAMA_BASE_URL` für ein lokales Modell setzen.

QUELLEN