Graphify: KI-Coding-Assistenten eine Karte geben
Graphify macht aus einer Codebasis einen abfragbaren Wissensgraphen: local-first, kein Code verlässt die Maschine, günstigere Agenten-Läufe.
Graphify macht aus einer ganzen Codebasis einen abfragbaren Wissensgraphen, lokal, sodass ein KI-Assistent Struktur erhält, ohne dass der Code je die Maschine verlässt. Es ist zu einem der am schnellsten wachsenden Entwicklerwerkzeuge des Jahres geworden: 58K+ GitHub-Sterne und 1,2 Mio. PyPI-Downloads seit dem Frühjahr.
01. Was es tut
Sein Ursprung zeigt, wie schnell sich dieser Bereich bewegt: Es wurde von einem Andrej-Karpathy-Post vom 1. April 2026 inspiriert über den Einsatz von LLMs, um persönliche Wissensdatenbanken aufzubauen, und innerhalb von 48 Stunden hatte Safi Shamsi (YC S26) Graphify auf GitHub veröffentlicht.
Führen Sie es auf einem Projekt aus, und es liest jede Datei lokal und parst 33 Sprachen über tree-sitter mit null API-Aufrufen, sodass Ihr Code die Maschine nie verlässt. Es gibt drei Artefakte aus, die ein ganzes Team abfragen kann: eine interaktive HTML-Visualisierung, einen Markdown-Bericht und einen JSON-Graphen, und es dockt an rund 20 KI-Coding-Assistenten an.
Der Grund für seine Verbreitung ist konkret: Statt dass ein Agent tausende Dateien und Tokens durchgrept, um Struktur zu verstehen, fragt er den Graphen ab. Eine Demo maß eine 72-fache Reduktion an Claude-Code-Tokens bei derselben Frage; Jack Roberts' Durchlauf bringt es einfach auf den Punkt: Was Graphify tut, ist, Claude Code eine Karte zu geben.
02. Warum wir aufmerksam sind
Zwei Gründe. Erstens ist die Architektur richtig für unsere Arbeitsweise: local-first, keine Code-Exfiltration, deterministische Artefakte, die Sie committen und teilen können. Das ist das Souveränitätsprinzip, angewendet auf Entwicklerwerkzeuge, der Assistent erhält Kontext, ohne dass die Codebasis je die Umgebung des Kunden verlässt.
Zweitens ist es eine deutliche Erinnerung daran, dass der Engpass für KI-Coding-Assistenten selten das Modell ist, sondern das effiziente Bereitstellen des richtigen Kontexts. Ein Wissensgraph, den der Agent abfragen kann, schlägt das brachiale Datei-Lesen bei Kosten, Tempo und Genauigkeit zugleich. Wir behandeln das als ein Muster, um das es sich zu bauen lohnt, nicht bloß als ein Werkzeug zum Installieren. Zum Hintergrund siehe diesen Überblick.
