Graphify — 知识图谱生成器
把任意代码、文档、论文、图片、视频文件夹变成可查询的知识图谱，让 AI 能精准回答关于项目的任何问题。
数据流有一定披露：声明只读取 GEMINI/GOOGLE 密钥，敏感文件跳过，视频转写本地提示。但 SKILL.md 指示代理自动从 PyPI 安装第三方包 'graphifyy'（含 --break-system-packages 兜底），供应链信任未验证；自动克隆任意 GitHub 仓库到 ~/.graphify；删除/覆盖 graphify-out 之外无回滚说明。扣分：自动安装外部包与任意克隆缺用户确认，权限超出最小化，回滚不完整。
指令结构完整、缓存与分块逻辑自洽、失败路径（0 文件、转写失败、缓存命中）有部分处理，但完全无测试证据，关键路径（AST 提取、语义子代理、Neo4j push）静态不可验证，SKILL.md 文件在节点 ID 规范处截断，后续步骤缺失，可能导致执行中断。扣分：无测试、文件截断、错误反馈深度不足。
场景明确（代码库/文档知识图谱查询），参数与输出格式列举详细；但 description 触发条件过宽（'user asks any question about a codebase' 且仅凭 graphify-out/ 存在即接管），有误触发风险；核心功能依赖 GitHub、PyPI、Gemini/Whisper，未声明中文支持，中国大陆可达性差。扣分：触发边界过宽、非适用范围未声明、目标环境可达性风险。
MIT 许可覆盖仓库，SKILL.md 分层合理（Usage/用途/步骤），README 有维护者与贡献路径；但该 skill 无版本号、无 changelog、无已知限制章节，发布者未经注册表验证，SKILL.md 截断暗示维护不完整。扣分：版本治理缺失、已知限制未披露。
声称的产出（HTML 图谱、GraphRAG JSON、GRAPH_REPORT.md）有价值且高于手工做图，但静态审阅无法验证任何输出可直接使用；'--html 是 no-op' 一类条目提示文档与行为可能有漂移。扣分：无代表性输出证据，比较收益仅凭声明。
仅有一份技能说明文件，无针对该 skill 的测试、CI 覆盖（仓库 CI 针对前端/部署令牌，不覆盖 graphify），无第三方执行证据。扣分：关键声明无独立可复现材料。
- 该技能会自动从 PyPI 安装第三方包 'graphifyy'（含 --break-system-packages），属供应链信任风险，建议首次运行前人工审计该包。
- description 触发条件过宽：任何代码库问题且存在 graphify-out/ 时即接管，可能误触发；建议仅在显式 /graphify 调用时使用。
- 核心依赖 GitHub、PyPI 与 Gemini API，中国大陆网络可达性差且未声明中文支持。
- SKILL.md 在节点 ID 规范处被截断，运行时可能因指令缺失而中断。
- 技能无版本号与 changelog，更新行为不可预期。
这个 Skill 能做什么，适合哪些场景？
Graphify 是一个 Claude Code 技能，通过 /graphify 命令将一个文件夹（或 GitHub 仓库）的内容提取为实体-关系知识图谱。它先做文件探测和可选的音视频转写，再用确定性 AST 解析代码、用 LLM 子代理（或 Gemini API）做语义抽取，然后进行社区检测并生成三种输出：交互式 HTML、GraphRAG 就绪的 JSON 和一份通俗的 GRAPH_REPORT.md。图谱持久化在 graphify-out/ 目录中，后续提问可直接查询而无需重建。它对每条边标注 EXTRACTED/INFERRED/AMBIGUOUS 的诚实审计标记，并支持合并多个仓库的跨仓库图谱。
1) 探测指定路径下的代码、文档、PDF、图片和音视频文件，超大语料时提示收窄范围；2) 用 Whisper 转写音视频为文本；3) 对代码文件运行 AST 结构化抽取（免费、确定性），同时对文档和图片并行派出 LLM 子代理做语义抽取，并缓存结果；4) 合并抽取结果、建图、做社区检测、识别 god nodes 和跨文档意外关联；5) 生成 GRAPH_REPORT.md、graph.、交互式 HTML，并按需导出 Obsidian vault、SVG、GraphML、Neo4j Cypher、agent 可爬取的 wiki；6) 提供 /graphify query 命令，用 BFS/DFS 遍历图谱回答自然语言问题，还可启动 MCP 服务器供其他 agent 实时查询。
- 接手陌生代码库的开发者：克隆仓库后运行 /graphify，之后直接用自然语言问'X 是怎么工作的''谁调用了 Y'，无需重读全部源码
- 研究团队：把一批论文和笔记放进一个文件夹，让社区检测自动发现跨文档的概念关联
- 多服务架构团队：对 monorepo 各子目录分别抽取，再用 merge-graphs 合成一个跨服务总图谱
- 内容创作者/播客主：转写视频音频后与文档一起建图，生成可导入 Obsidian 的知识库
- Neo4j 用户：把导出的 Cypher 推送到已有 Neo4j 实例，融入现有图分析流程
这个 Skill 有哪些优点和局限？
- 输入类型极广：代码、文档、PDF、图片、音视频都能进图
- AST 结构抽取完全免费且确定性，语义抽取结果有缓存，重复运行成本低
- EXTRACTED/INFERRED/AMBIGUOUS 审计体系让图谱可信度透明
- 输出生态丰富：HTML、GraphRAG JSON、Obsidian、Neo4j、SVG、GraphML、wiki、MCP 服务器
- 支持增量更新、跨仓库合并、--watch 模式跟随代码变化自动重建
- 语义抽取的核心编排依赖 Claude Code 的并行子代理机制，移植到其他平台需要改造
- 未设置 Gemini key 时依赖宿主 LLM 会话本身，token 成本随语料规模增长
- SKILL.md 被截断展示，完整内容和独立测试情况无法核实
- 该技能位于一个职业平台（Career Pilot）仓库内，归属略显混杂，更新节奏未必独立
- 超过 50 万词或 500 文件的语料会被要求收窄范围，超大库需分目录处理
如何安装这个 Skill？
技能文件位于 career-pilot 仓库的 .claude/skills/graphify/SKILL.md，把该 skills 目录放入你的 Claude Code 技能目录（通常是项目的 .claude/skills/）。首次运行时技能会自动安装 Python 包：有 uv 则 uv tool install --upgrade graphifyy，否则 pip install graphifyy。可选：设置 GEMINI_API_KEY 或 GOOGLE_API_KEY 启用 Gemini 语义抽取（pip install 'graphifyy[gemini]'）。仓库 README 主要描述 Career Pilot 网页应用本身，技能的独立安装说明以 SKILL.md 为准。
如何使用这个 Skill？
在 Claude Code 中触发 /graphify。常用命令：/graphify <路径> 全量建图；/graphify https://github.com/<owner>/<repo> 克隆仓库后建图；/graphify <路径> --update 增量更新；/graphify <路径> --mode deep 深度抽取；/graphify <路径> --neo4j-push bolt://localhost:7687 直接推送 Neo4j；/graphify <路径> --mcp 启动 MCP 服务器；/graphify query "问题" 查询已有图谱；/graphify explain "节点名" 获取通俗解释；/graphify --help 打印完整用法。图谱建好后，任何关于代码库的自然语言问题会自动走快速路径直接查询 graphify-out/graph.。
这个 Skill 与同类方案有什么区别？
SKILL.md 提到输出为 GraphRAG 就绪的 JSON，并与 Neo4j、Gephi（GraphML）、Obsidian 等现有图工具集成，但它本身对标的是'任何文件夹一键转知识图谱'的一体化流程，未在源材料中点名直接竞品。