卡帕西没做完的，开源社区 48 小时搞定了！完全体知识库，token 省 70 倍

AI 圈的节奏已经快到让人产生幻觉了。

Karpathy 分享的个人知识库爆火出圈，48 小时就有人拿着完全体送货上门。

Graphify，一款零配置、全模态、本地跑、还特能省 token 的知识图谱工具，GitHub 开源狂揽 2k+ Star。

不仅能自动构建可导航知识图谱、自带反向链接和关系溯源，更实现71.5 倍 token 消耗节省，直接把卡神的 /raw 笔记法进化到了完全体。

万物皆可图谱化

卡神那套爆火的知识库，核心是一套不用复杂向量数据库的轻量化工作流。

靠 raw/ 目录存论文、代码、截图等原始资料，再通过 LLM 自动生成带交叉引用的 Wiki 文档，配合定期体检维护，慢慢搭建起一个能持续生长、越用越好用的知识体系。

思路确实是好，但实际落地也有很多待优化的地方。

比如，raw 文件夹需要手动整理归类，新资料添加得全程跟进配合；

反复读取原始文件会带来较高的 token 消耗，连卡帕西都说：大部分 token 已经不跑代码了；

而且整套方法目前还停留在手动工作流阶段，没有专门工具封装，需要用户一步步引导 AI 执行，操作步骤相对繁琐。

这不，有痛点就有解决办法，卡神知识库上线 48 小时后，开源社区就交出了完全体答卷。

Graphify 对这套工作流做了全方位的工具化升级。

首先是全模态自动图谱化，从源头省去了手动整理的麻烦。

Graphify 内置了统一的多模态处理管线，能对不同类型的文件实现针对性的自动化解析。

对代码文件通过 tree-sitter 做本地 AST 解析直接提取结构信息；对 PDF、Markdown 等文档自动拆分文本与语义单元；对截图、流程图、白板照片等视觉内容则调用 Claude Vision 完成概念提取与关系识别。

这些都无需人工预处理、无需分类、无需筛选，丢进文件夹即可统一入谱。

相比之下，卡神的 raw 文件夹仍需要用户手动规整资料、手动触发处理，Graphify 则从文件扫描到图谱生成全程自动化，真正实现了万物皆可图谱化

在此基础上，它还依靠本地 AST 解析与并行 LLM 子代理语义提取的双阶段流程，实现了71.5 倍 Token 消耗优化。

第一阶段对代码文件做确定性 AST 提取，全程在本地完成，不调用 LLM、不产生任何 Token 消耗；

第二阶段仅对文档、论文、图片等非代码内容，通过并行 LLM 子代理做一次语义抽取，同时搭配 SHA256 缓存机制，重复运行时只处理变更过的文件，从根本上避免了重复计算与无效开销，把 Token 真正用在推理上。

在包含卡帕西的仓库文件、5 篇论文、4 张图片共 52 个文件的混合语料场景下，使用 Graphify 后每次查询的 Token 消耗，相比直接读取原始文件降低了 71.5 倍。

更友好的是，它全程无需向量数据库、无需嵌入计算、也不用复杂配置，做到了开箱即用。

它的聚类基于图拓扑完成，依靠 Leiden 社区发现算法按边密度划分社区，无需依赖 embeddings，自然也省去了向量数据库的部署与维护成本。

只需要在目标文件夹执行 /graphify . 这一条命令，指向任意文件夹就能一键生成完整知识图谱，附带交互式 HTML、分析报告与可持久化数据文件，极大降低了上手门槛。

同时，Graphify 还为每一条内容关联都加上了清晰的类型标注，区分原文提取、模型推断与歧义关系，并附带置信度，让知识来源透明可查、结果更可信。

全平台适配

说完了优点，说说怎么安装。

首先，Graphify 实现了全平台适配，Claude Code、Codex、OpenClaw ……都能无缝接入使用。

仅需 Python 3.10 及以上环境，一行命令即可完成全部部署（PyPI 包当前暂时叫 graphifyy）：

pip install graphifyy && graphify install

如果你是在龙虾平台，可通过以下命令安装：

graphify install — platform claw

Codex 用户：想用上 Graphify 说的并行 LLM 子代理提取，必须先在配置文件 ~/.codex/config.toml 的 [ features ] 里打开 multi_agent = true，不然跑不起来并行模式。

OpenClaw 用户：这个平台对多代理并行的支持还很初级，没完善，所以只能用顺序挨个提取，没法并行，速度和效率会差一些。

安装完成后，进入你想要图谱化的目录，用 /graphify . 命令一键生成即可。

执行完命令，当前目录里就会出现 graph.html 文件，在浏览器中打开就能看到可交互的知识图谱。

它还支持— watch 文件监听模式 ，代码文件改动后会立即触发 AST 重新解析，实时更新图谱；文档、图片变更则会主动提醒用户执行增量更新。

同时还能安装 Git 钩子，在代码 commit 提交、分支切换后自动重建图谱，无需额外开启后台进程。

配合 /graphify — update 增量更新命令，新资料加入时无需重建整个图谱，只更新相关节点和关联，让知识库真正实现随资料新增持续生长、越用越完善。

Graphify 的作者 Safi Shamsi 现为伦敦 Valent 公司的一名 AI 研究员。

One More Thing

其实卡神的知识库出来之后，很多人都开始跟风复刻，还有人做了一款基于个人文件的 " 活维基 " 工具。

AI 圈现在以小时为单位的迭代玩法，只能说疯狂，太疯狂。

项目地址：https://github.com/safishamsi/graphify/blob/v3/README.zh-CN.md

参考链接：https://x.com/socialwithaayan/status/2041192946369007924

一键三连「点赞」「转发」「小心心」

欢迎在评论区留下你的想法！

— 完 —

点亮星标

科技前沿进展每日见