如何用graphify搭建个人第二大脑？从/raw文件夹到可查询图谱
【免费下载链接】graphifyTurn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.项目地址: https://gitcode.com/GitHub_Trending/graph/graphify
🧠 想知道如何把散落的代码、文档、PDF 变成能随时提问的"第二大脑"吗？开源工具graphify可以把你任意文件夹里的内容（代码、文档、SQL 配置、PDF、图片）解析成一张可查询的知识图谱——本地 AST 确定性解析、每条边都有出处说明、无需向量数据库。你只需三步：装 CLI、把资料丢进/raw文件夹、运行一次/graphify，就能用自然语言向自己的资料库提问，而不是满仓库 grep。
🗺️ graphify 给"第二大脑"带来了什么？
传统做法是用向量搜索（RAG）"近似"地找资料，而 graphify 的思路不同：构建一张真正的图，让关系可以沿着路径被遍历。
graphify 把代码库渲染成可交互的知识图谱：每个节点是一个概念，颜色代表自动检测出的社区
| 特性 | 说明 |
|---|---|
| 代码解析零成本 | 用 tree-sitter AST 本地解析，不经过 LLM，数据不出本机 |
| 每条边可解释 | 关系标记为EXTRACTED（源码里明确写出）或INFERRED（图谱推断，带置信分） |
| 不是向量索引 | 没有 embedding、没有向量库，问问题就是沿图查路径 |
| 文档/PDF/图片同图 | 代码、文档、PDF、视频、图片全部映射进同一张图 |
工作原理详见 docs/how-it-works.md，核心是三遍处理：本地 AST 提取 → 音视频转写 → 文档/PDF/图片的语义抽取。
📁 搭建第二大脑的三步法：从 /raw 文件夹到可查询图谱
第一步：30 秒安装 graphify CLI
前提：Python 3.10+，推荐配合uv：
uv tool install graphifyy # 注意包名是双 y 的 graphifyy，命令仍是 graphify graphify install # 把 /graphify 技能注册给你的 AI 助手graphify install会识别你的助手平台（Claude Code、Cursor、Codex、Gemini CLI 等 20+ 平台），写入对应的技能文件，比如 .claude/skills/graphify/SKILL.md。
第二步：把所有资料放进 /raw 文件夹
"第二大脑"的本质是先囤积、后结构化。约定俗成：建一个raw/目录，把你想纳入知识范围的东西丢进去：
raw/ ├── api.py、parser.py … # 任意语言的代码（36+ 种语法） ├── architecture.md # 架构说明、笔记 ├── notes.md # 想法、待办、调研笔记 ├── paper.pdf # 论文/文档 └── diagram.png # 截图、图表仓库里就放着两个开箱即练的示例语料，照着摆就行：
- worked/example/README.md：7 个文件的小型文档流水线（4 个 Python 模块 + 2 篇 Markdown + 1 个 API），跑一遍零 token 成本；
- worked/karpathy-repos/README.md：3 个代码库 + 5 篇 PDF 论文 + 4 张图的 52 文件混合语料，官方用它测出了71.5 倍的查询 token 节省。
第三步：运行 /graphify 生成可查询图谱
在你的 AI 助手里输入：
/graphify ./raw几秒钟（大语料稍久）后，graphify-out/目录里会得到三个文件，这就是你的第二大脑实体：
| 产物 | 用途 |
|---|---|
graph.html | 浏览器直接打开——点节点、筛选、搜索的交互式图谱 |
GRAPH_REPORT.md | 摘要报告：核心概念、意外连接、建议提问 |
graph.json | 完整图谱数据，之后所有查询直接读它，无需重读原始文件 |
📊 读懂图谱报告：上帝节点、社区与置信标签
GRAPH_REPORT.md是你第二大脑的"体检报告"。以仓库内置示例 worked/httpx/GRAPH_REPORT.md 为例，6 个文件被提取为144 个节点、330 条边、6 个社区，报告直接告诉你：
- 上帝节点（God Nodes）：连接数最多的核心抽象——比如
Client(26 边)、Response(24 边)，一眼看出系统的心脏在哪； - 意外连接（Surprising Connections）：跨文件、跨模块的隐藏关联，往往是你没意识到的知识盲点；
- 社区（Communities）：Leiden 算法把图聚成子系统，比如认证相关节点自动聚成一个社区。
每条推断边都带置信标签：EXTRACTED（置信 1.0，源码明确）/INFERRED（0.55–0.95 分档）/AMBIGUOUS（报告中标出待人工确认）。你永远知道哪条结论是"读出来的"、哪条是"猜出来的"——这对知识库的可信度至关重要。
🤖 让第二大脑真正可用：query、path、explain
图谱建好后，你不再翻文件，而是"查图"：
/graphify query "auth 和数据库之间是怎么连的？" # 自然语言提问 → 返回子图 /graphify path "UserService" "DatabasePool" # 追踪两个概念的最短路径 /graphify explain "RateLimiter" # 解释一个概念的来源与连接实际输出长这样（对 FastAPI 语料跑出的真实结果）：
$ graphify path "FastAPI" "ModelField" Shortest path (3 hops): FastAPI --uses--> DefaultPlaceholder <--references-- get_request_handler() --references--> ModelField配合这几个习惯，第二大脑会持续生长：
- 增量更新：
/graphify ./raw --update只重提变化的文件（SHA256 缓存自动跳过未变文件）； - 自动重建：graphify/hooks.py 提供
graphify hook install，git commit 后自动重建图谱（纯 AST，无 API 成本）； - 外部资料随手加：
/graphify add <论文URL或视频链接>直接抓取并入图； - 多格式输出：
--wiki生成 Markdown 维基、--obsidian导出 Obsidian 库、--svg/--graphml导出图文件； - 共享给团队：
python -m graphify.serve graphify-out/graph.json把图谱暴露为 MCP 服务，见 graphify/serve.py。
📦 /raw 文件夹能吃下哪些文件？
graphify 的文件覆盖面决定了"第二大脑"的容量上限（完整清单见 README.md 的"What files it handles"一节）：
| 类型 | 示例格式 | 处理方式 |
|---|---|---|
| 代码（36+ 种语法） | .py .ts .go .rs .java .cpp .cs .swift .sql … | 本地 tree-sitter AST，免费、离线 |
| 文档 | .md .html .txt .yaml .rst | 文档间[链接]和[[wikilink]]自动变references边 |
| Office / PDF | .docx .xlsx .pdf | 语义抽取（走你的助手模型） |
| 图片 | .png .jpg .webp | 语义抽取，进同一张图 |
| 音视频 | .mp4 .mp3 .wav | 本地 faster-whisper 转写后入图 |
💡 提示：不想收进图的文件（比如node_modules/、生成代码）写一个.graphifyignore，语法同.gitignore，且会自动叠加.gitignore。
✅ 新手避坑清单
- 包名是
graphifyy（双 y），命令是graphify。装错包名会得到"找不到命令"的诡异报错； - 装完提示
command not found？跑uv tool update-shell（或pipx ensurepath）后重开终端； - 纯代码语料完全离线：不需要任何 API key，
graphify extract ./raw --code-only即可； - 隐私：代码本地解析、音频本地转写、无遥测；只有文档/PDF/图片的语义抽取才调用模型，且用的是你助手会话的模型；
- PowerShell 用户：用
graphify .而不是/graphify .（前导斜杠会被当成路径）。
🎯 小结：三步搭好你的第二大脑
装 CLI（1 分钟） → 资料丢进 /raw（随攒随放） → /graphify ./raw（一次构建） ↓ graph.html 看全貌 · GRAPH_REPORT.md 抓重点 · graph.json 答问题从 worked/example/ 的 7 个文件跑通第一张图开始，逐步把读书笔记、项目代码、论文 PDF 都搬进/raw——当你能用graphify query问出"我的笔记里哪个结论引用了这篇论文"这类问题时，第二大脑就真正长出来了。🚀
【免费下载链接】graphifyTurn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.项目地址: https://gitcode.com/GitHub_Trending/graph/graphify
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
