코드베이스 전체를 질의 가능한 지식 그래프로 만들어 AI 코딩 어시스턴트가 파일을 일일이 읽지 않고도 구조를 파악하게 해주는 오픈소스 스킬.
큰 프로젝트에서 AI 코딩 어시스턴트에게 "로그인 폼이 사용자 테이블과 어떻게 연결돼 있어?"라고 물으면, AI는 관련 파일을 하나씩 열어 읽으면서 머릿속으로 구조를 재구성한다. 파일이 수십 개면 토큰을 잔뜩 쓰고도 전체 그림은 놓치기 일쑤다. AI에게는 코드가 어떻게 연결돼 있는지 보여주는 지도가 없기 때문이다.
Graphify는 이 문제를 풀기 위해 프로젝트 전체를 한 번 훑어서 함수, 클래스, DB 테이블, API 핸들러, 설계 문서 같은 것들을 노드로 만들고 그 관계를 엣지로 이어 붙인 지식 그래프를 만든다. 코드뿐 아니라 문서, PDF 논문, 다이어그램까지 같은 그래프에 올려서, 코드가 "무엇을 하는지"뿐 아니라 "왜 그렇게 설계됐는지"까지 담아낸다.
파이썬 패키지로 설치(pip install graphifyy, y가 두 개)한 뒤 graphify install을 실행하면 Claude Code, Codex, OpenCode 같은 어시스턴트에 스킬로 등록된다. 이후 어시스턴트 안에서 /graphify .를 입력하면 프로젝트 폴더를 통째로 분석해 graphify-out/ 폴더에 결과물을 남긴다. 인터랙티브 시각화용 graph.html, 핵심 노드와 이상 연결을 정리한 GRAPH_REPORT.md, 그리고 언제든 질의할 수 있는 graph.json이다.
그래프가 만들어진 뒤에는 graphify query "무엇이 인증과 DB를 연결하나?"처럼 자연어로 물으면 파일을 다시 읽지 않고 그래프에서 바로 답을 끌어온다. 코드(Tree-sitter)는 정적 분석으로, 문서·다이어그램은 LLM으로 의미를 뽑아내며, 노드 묶음은 Leiden 알고리즘으로 의미 단위 커뮤니티를 찾아낸다. 벡터 임베딩이 필요 없는 구조라 RAG처럼 변경 때마다 전체를 다시 임베딩하지 않고, 바뀐 부분의 하위 그래프만 다시 추출해 살아있는 그래프에 패치한다.
가장 큰 효과는 토큰 절약이다. 코드와 논문, 이미지가 섞인 52개 파일 코퍼스에서 한 번 질의에 그래프는 약 1.7k 토큰을 쓰는데, 같은 질문에 파일을 날것으로 읽으면 약 123k 토큰이 든다 — 70배 넘는 차이다. 토큰을 아끼는 만큼 컨텍스트 윈도우 한계에 부딪힐 일도, 엉뚱한 파일을 헤매다 환각을 일으킬 일도 줄어든다.
그래프 추출 단계에서 어시스턴트에 이미 설정된 모델 API 키를 그대로 쓰며, 원본 소스 코드 전체가 아니라 문서·다이어그램의 의미 요약만 모델로 보낸다는 점을 동작 방식으로 이해해 두면 좋다. 또한 코드만 다루는 일반 그래프 RAG와 달리 다이어그램·논문·영상까지 한 그래프에 엮는 멀티모달 구조라, 어떤 자료까지 그래프에 넣을지에 따라 결과물의 성격이 달라진다.