用途:对目标文件夹运行 graphify 引擎,构建多模态知识图谱,并汇总发现。适合语料混合(代码+文档+论文+图片)或概念性问题(跨文件的关联);符号级代码问题(调用方/被调用方/影响面)建议用 codegraph MCP 工具。
前提:路径中需有 graphify CLI,缺失时先运行 graphify-tools:setup。
主要步骤:
- 界定范围:默认当前仓库,大型目标先询问;可用 scc --no-complexity <target> 与 find 统计文件数。约 100 个文件以内可直接运行;更大时建议选子文件夹或用 --update 增量模式;数千个同名文件应分目录提取后用 graphify merge-graphs 合并,避免节点 ID 冲突。
- 构建:选择后端并设环境变量。示例:graphify extract <target> --backend gemini --model gemini-2.5-flash;Opus 用 --backend openai --model claude-opus-4-8 并设 GRAPHIFY_LLM_TEMPERATURE=omit;MiniMax-M3 用 --backend openai --model MiniMax-M3。运行前先 unset HTTPS_PROXY HTTP_PROXY https_proxy http_proxy。claude 后端被阻止,应改用 fleet openai 入口。可用两步流程 graphify extract 再 graphify cluster-only。可选标志:--mode deep、--update、--wiki、--svg/--graphml。输出位于 <target>/graphify-out/,包含 graph.html、obsidian/、wiki/、GRAPH_REPORT.md、graph.json、cache/。
- 汇报:阅读 GRAPH_REPORT.md,汇总 god nodes、意外连接、建议问题、token 基准,并提醒每条边标记为 EXTRACTED/INFERRED/AMBIGUOUS,可信提取、需验证推断。
- 可选接入外部来源:graphify add <URL>。
限制:LLM 提取文档/图片会消耗 token 与时间;graph.json 可能较大,cache/ 为本机文件。除非明确要提交图谱,否则将 graphify-out/ 加入 .gitignore。具体后端密钥、base URL 等细节暂未提供。