Graphify : le repo 84k étoiles qui transforme n'importe quel codebase en graphe de connaissances interrogeable
🔎 Le 14 juillet 2026, un repo Python a explosé sur GitHub
Graphify a gagné 1 095 étoiles en une seule journée sur GitHub Trending. Avec 84 684 étoiles au compteur, ce projet de Graphify-Labs ne fait pas que buzz — il résout un problème que chaque développeur utilisant un agent IA a rencontré : la perte de contexte dans les gros projets.
Le concept est simple mais puissant. Au lieu de laisser votre assistant IA ingérer du code en vrac et deviner les liens entre les fichiers, Graphify construit un graphe de connaissances structurel que l'agent peut traverser. Code applicatif, schémas SQL, scripts shell, documentation, papers, images, vidéos — tout finit dans un seul graphe interrogeable.
C'est l'évolution logique du mouvement MCP puis Skills. Après avoir donné des outils aux agents, après leur avoir appris les bonnes pratiques engineering, on leur donne maintenant une compréhension structurelle complète d'un projet.
L'essentiel
- Graphify est un skill open source qui mappe n'importe quel projet en graphe de connaissances, utilisable avec Claude Code, Codex, Cursor, Gemini CLI et OpenCode.
- Il supprime les embeddings au profit d'un graphe traversable, réduisant la consommation de tokens jusqu'à 49x selon une analyse Medium de Tirth Kanani.
- Le parsing repose sur Tree-sitter avec support de 36 langages, entièrement local, aucune clé API nécessaire pour le code.
- Il représente la troisième vague d'interaction agentique : MCP (outils) → Skills (bonnes pratiques) → Knowledge Graph (compréhension structurelle).
Outils recommandés
| Outil | Usage principal | Prix (juillet 2026, vérifiez sur graphifylabs.ai) | Idéal pour |
|---|---|---|---|
| Graphify | Graphe de connaissances de codebase | Gratuit, open source | Projets de toute taille nécessitant un contexte profond |
| Claude Code | Agent de développement IA | Abonnement Anthropic | Utilisateurs principaux de Graphify via /graphify |
| Cursor | Éditeur IA avec intégration skills | À partir de 20$/mois | Développeurs wanting un éditeur intégré |
| Gemini CLI | Agent Google en ligne de commande | Gratuit (tier standard) | Utilisateurs de l'écosystème Google |
Pourquoi le grep ne suffit plus pour les agents IA
Un agent IA face à un codebase de 200 000 lignes, c'est un développeur junior jeté dans un projet legacy sans onboarding. Il greppe, il trouve des fragments, il rate les liens invisibles entre les modules.
Le problème est fondamental. Les agents codent en lisant des fichiers individuellement, puis en concaténant du contexte dans une fenêtre de tokens. Plus le projet grandit, plus le ratio signal/bruit s'effondre. L'agent passe son temps à relire des fichiers qu'il a déjà vus, sans jamais construire de carte mentale du projet.
Graphify inverse cette logique. L'analyse coûteuse est faite une fois, en amont, puis compressée dans un graphe. L'agent n'ingère plus du code brut — il navigue dans une structure qu'il peut interroger de façon ciblée. C'est exactement ce que décrit GPT Nation dans son analyse : l'outil résout le problème en faisant le travail lourd une seule fois.
Le contexte engineering a remplacé le prompt engineering. Et les knowledge graphs sont le vecteur ultime de contexte.
Comment fonctionne Graphify techniquement
Le parsing Tree-sitter, pas des LLM
Graphify n'envoie pas votre code à un modèle pour l'analyser. Il utilise Tree-sitter, un parser grammatical incrémental qui supporte 36 langages. Chaque fichier est parsé en un arbre syntaxique abstrait, puis les nœuds et arêtes du graphe sont extraits mécaniquement.
Cela signifie zéro coût d'API pour la construction du graphe. Zéro latence réseau. Zéro risque de fuite de code vers un serveur tiers. Tout se passe on-device, comme le précise le site officiel de Graphify.
Graphe de connaissances vs embeddings
La distinction est cruciale. Les systèmes classiques de RAG (Retrieval-Augmented Generation) découpent le code en chunks, les transforment en embeddings vectoriels, puis font une recherche par similarité sémantique. Ça marche pour trouver "un bout de code qui ressemble à ce que je cherche". Ça ne marche pas pour comprendre "comment ce module dépend de ce schéma SQL qui dépend de ce script de migration".
Un graphe de connaissances, lui, stocke explicitement les relations : FileA imports FileB, FunctionX calls FunctionY, TableZ is referenced in QueryW. L'agent peut traverser ces arêtes, remonter les dépendances, et construire une réponse structurellelement exacte. Graphify.com le formule clairement : pas d'embeddings, juste un graphe que l'agent traverse.
Ce que le graphe capture concrètement
Le graphe ne se limite pas au code applicatif. Graphify mappe aussi les schémas de base de données, les scripts shell de déploiement, la documentation Markdown, les PDF de spécification, et même les métadonnées d'images et de vidéos. Le tout dans un seul graphe unifié.
Concrètement, vous pouvez demander à votre agent : "Quelles fonctions seraient impactées si je modifiais la colonne user_email dans la table accounts ?" Et il parcourra le graphe depuis la table, via l'ORM, jusqu'aux fonctions qui font des requêtes sur cette colonne. Sans grep, sans deviner, avec certitude structurelle.
MCP → Skills → Knowledge Graph : la troisième vague
La première vague : MCP (Model Context Protocol)
MCP a donné aux agents IA des outils — accès à la base de données, au filesystem, aux APIs externes. C'était nécessaire mais insuffisant. Un agent avec des outils mais sans compréhension du projet, c'est un artisan avec un bon marteau mais sans plan d'architecture.
La deuxième vague : Agent Skills
Les skills ont appris aux agents les bonnes pratiques engineering — comment structurer un PR, comment écrire des tests, comment suivre les conventions d'un projet. Le repo Agent Skills à 68k étoiles en est l'exemple emblématique. L'agent sait comment travailler, mais il ne sait toujours pas où chercher dans un projet de 500 fichiers.
La troisième vague : Knowledge Graphs applicatifs
Graphify représente cette troisième vague. L'agent n'a plus seulement des outils et des compétences — il a une carte du territoire. Il sait que le module auth/ dépend de db/schema.sql qui est migré par scripts/migrate.sh qui est documenté dans docs/migration.md. C'est cette compréhension holistique qui change la donne.
Blockchain Council classe d'ailleurs Graphify parmi les top 50 Claude Skills et repos GitHub de 2026, confirmant son statut de pièce maîtresse dans l'écosystème des agents développeurs.
Installation et utilisation avec Claude Code
Prérequis
Graphify est un skill Claude Code. Vous avez besoin de Claude Code installé et d'un environnement Python 3.10+ avec Tree-sitter. Aucune clé API supplémentaire n'est requise pour le parsing du code.
L'installation se fait via le mécanisme de skills de Claude Code. Une fois le skill configuré, la commande magique est /graphify. C'est tout. Vous la tapez dans votre session Claude Code, et le scan démarre.
Le flux en pratique
- Vous ouvrez Claude Code à la racine de votre projet.
- Vous tapez
/graphify. - Graphify parsé l'intégralité du projet — code, docs, schémas, médias — et construit le graphe.
- Le graphe est stocké localement et se met à jour incrémentalement à chaque changement de fichier, sans rebuild complet comme le précise le site officiel.
- Vous pouvez ensuite poser n'importe quelle question structurelle à Claude Code, qui interroge le graphe au lieu de grepper.
La chaîne YouTube GPT Nation propose un tutoriel complet étape par étape pour ceux qui veulent voir le processus en détail. Une autre démo sur YouTube montre Graphify en action avec Claude Code et Antigravity, créant un graphe de connaissances en quelques secondes sur un projet réel.
Compatibilité avec les autres assistants
Graphify n'est pas cantonné à Claude Code. Il fonctionne aussi avec Codex d'OpenAI, Cursor, Gemini CLI et OpenCode. Le topic knowledge-graph sur GitHub liste d'ailleurs Graphify en tête des projets de cette catégorie, avec la mention explicite de ces compatibilités.
Le choix de Claude Code comme vecteur principal n'est pas anodin. Claude Opus 4.7 et Claude Sonnet 4.6 sont parmi les modèles les plus performants pour le raisonnement sur le code (scores de 94.3 et 81.4 au benchmark agentic de juin 2025). La combinaison modèle performant + graphe structurel est ce qui produit les meilleurs résultats.
La réduction de tokens : 49x de moins
C'est peut-être le chiffre le plus marquant de toute l'histoire Graphify. L'analyse de Tirth Kanani sur Medium montre que l'utilisation d'un knowledge graph réduit la consommation de tokens de Claude Code par un facteur de 49.
Le calcul est logique. Sans graphe, pour répondre à "quelles fonctions touchent à la table utilisateurs ?", Claude Code doit lire potentiellement des dizaines de fichiers, ingérer des milliers de lignes de code dans son contexte, et filtrer mentalement. Avec le graphe, il traverse trois arêtes et obtient une liste précise de 12 fonctions. Le ratio de tokens utiles/expédiés passe de ~2% à ~98%.
Pour les équipes qui paient au token, cela transforme l'économie du développement assisté par IA. Un projet qui coûtait 50$ par jour en tokens peut descendre sous 1$. Graphify n'est pas seulement un outil technique — c'est un levier économique.
Ce que cela change pour les workflows réels
Le onboarding d'un nouveau développeur (humain ou agent)
Imaginez rejoindre un projet de 300k lignes. Sans Graphify, vous passez deux semaines à tracer les dépendances à la main. Avec Graphify, vous demandez à Claude Code : "Dessine-moi l'architecture de ce projet, des endpoints API jusqu'à la base de données." Le graphe fournit la réponse en secondes.
Mais l'impact le plus fort est pour les agents qui rejoignent un projet. Un nouveau Claude Code lancé sur un projet sans graphe est perdu. Avec Graphify, il a instantanément la même compréhension structurelle qu'un développeur senior qui y travaillerait depuis six mois.
Les refactors à risque
Renommer un module, déplacer une table, changer une API interne — ce sont des opérations où l'erreur humaine coûte cher. Graphify permet de demander : "Si je renomme services/payment.py en services/billing.py, quels fichiers doivent être mis à jour ?" Le graphe liste chaque dépendance, sans oubli.
Le debug structurel
"Pourquoi cette requête est-elle lente ?" Au lieu de lire le code de la requête et deviner, vous demandez à l'agent de traverser le graphe depuis la fonction SQL jusqu'à l'ORM, puis jusqu'aux index de la table. Le problème structurel (missing index, N+1 query) apparaît immédiatement.
Graphify vs les alternatives de compréhension de code
| Approche | Mécanisme | Coût par scan | Mise à jour | Compréhension structurelle |
|---|---|---|---|---|
| Graphify | Graphe Tree-sitter | Gratuit (local) | Incrémentale, pas de rebuild | Complète (code + DB + docs + médias) |
| RAG classique | Embeddings vectoriels | Coûteux (API) | Re-embedding partiel | Faible (similarité sémantique seulement) |
| Grep/AST basique | Recherche textuelle | Gratuit | N/A (pas d'état) | Nulle (pas de relations) |
| Understand-Anything | Plugin Claude Code | Variable | Selon implémentation | Bonne mais plus ciblée |
La différence fondamentale est que Graphify est la seule solution qui unifie code applicatif, infrastructure de base de données et documentation dans le même graphe. Les outils de compréhension de code traditionnels se limitent au code source. Les outils RAG perdent les relations structurelles. Graphify garde les deux.
Le repo Understand-Anything proposait une approche similaire de graphe interactif pour Claude Code, mais Graphify va plus loin en termes de scope (36 langages, médias, schémas SQL) et de scalabilité (pas de rebuild, mise à jour incrémentale).
Pourquoi cette catégorie explose maintenant
La note de shali_note sur note.com documente la tendance des knowledge graphs pour le code avec Claude Code, classant Graphify parmi les skills trending. Mais pourquoi maintenant, et pas il y a un an ?
Trois facteurs convergent. D'abord, les fenêtres de contexte des LLM ont grandi mais le problème persiste : avoir 1 million de tokens de contexte ne sert à rien si l'agent ne sait pas où chercher. Ensuite, l'écosystème MCP a mûri — les agents ont maintenant des outils stables, le prochain bottleneck est la compréhension du projet. Enfin, Tree-sitter a atteint une maturité suffisante pour parser 36 langages de façon fiable, rendant le graphe construction robuste et abordable.
La discussion GitHub #883 sur l'intégration native des knowledge graphs montre que la demande vient aussi des éditeurs eux-mêmes. Les utilisateurs demandent une intégration native dans les IDE, ce qui suggère que le knowledge graph va passer du "skill optionnel" au "composant de base" des agents de développement.
❌ Erreurs courantes
Erreur 1 : Confondre graphe de connaissances et index de recherche
Un index vous dit où trouver un mot. Un graphe vous dit comment les choses sont connectées. Si vous utilisez Graphify comme un grep amélioré ("trouve-moi toutes les occurrences de 'user'"), vous gaspillez 90% de sa valeur. Utilisez-le pour des questions structurelles : dépendances, impact d'un changement, architecture.
Erreur 2 : S'attendre à ce que Graphify remplace le RAG
Graphify et le RAG sont complémentaires. Le graphe excelle sur les questions structurelles ("qui dépend de quoi ?"). Le RAG excelle sur les questions sémantiques ("où est implémentée la logique de retry ?"). Les meilleurs setups combinent les deux : le graphe pour la navigation, le RAG pour le contenu détaillé des nœuds.
Erreur 3 : Ignorer la mise à jour incrémentale
Graphify se met à jour à chaque changement de fichier, sans rebuild complet. Si vous lancez un scan full à chaque question, vous perdez le bénéfice de cette architecture. Laissez le graphe vivre en arrière-plan et interrogez-le à volonté.
Erreur 4 : Utiliser Graphify sur un projet tiny
Si votre projet fait 5 fichiers Python, Graphify apporte plus de complexité que de valeur. Le seuil de rentabilité se situe autour de 50-100 fichiers avec des dépendances croisées. En dessous, Claude Code gère très bien le contexte direct.
❓ Questions fréquentes
Graphify envoie-t-il mon code à un serveur externe ?
Non. Le parsing Tree-sitter et la construction du graphe se font entièrement localement, on-device. Aucune clé API n'est nécessaire pour la partie code. Seules vos requêtes à l'agent IA (Claude, GPT, etc.) transitent par les serveurs du modèle choisi.
Graphify fonctionne-t-il avec des monorepos ?
Oui. Graphify mappe n'importe quel dossier, y compris les monorepos avec plusieurs packages, workspaces, ou microservices. Le graphe unifié permet même de tracer les dépendances inter-services, ce qui est particulièrement valuable dans les architectures distribuées.
Quelle est la différence avec un simple ast Python ?
Le module ast de Python parse un seul fichier en arbre syntaxique. Graphify parse l'ensemble du projet (36 langages) et construit un graphe inter-fichiers qui inclut les imports, les appels de fonctions cross-modules, les références SQL, et les liens vers la documentation. L'échelle et la profondeur ne sont pas comparables.
Combien de temps prend un scan initial ?
Cela dépend de la taille du projet. Pour un projet standard (~50k lignes), le scan initial prend entre 10 et 30 secondes. Les mises à jour incrémentales ensuite sont quasi-instantanées puisque seul le fichier modifié est re-parsé.
Peut-on utiliser Graphify sans Claude Code ?
Oui. Graphify fonctionne aussi avec Codex, OpenCode, Cursor et Gemini CLI. Le mécanisme de skill est spécifique à Claude Code, mais le graphe lui-même est un artefact standard que n'importe quel agent capable de lire des fichiers peut interroger.
✅ Conclusion
Graphify n'est pas un outil de plus dans la boîte à outils IA — c'est le changement de paradigme que la communauté attendait pour que les agents de développement passent de "copilotes qui complètent des lignes" à "architectes qui comprennent votre projet". De MCP à Agent Skills à Knowledge Graph, chaque vague a apporté un niveau de compréhension supplémentaire. Graphify est la troisième, et probablement la plus impactante. Si vous utilisez Claude Code ou un autre agent de développement au quotidien, installez Graphify et tapez /graphify — vous comprendrez pourquoi ce repo a gagné 84 000 étoiles.
```