前言

“你的笔记不是太少，是太散了。”

最近，AI 大神 Andrej Karpathy 发了一个 Gist，提出了一个让我拍大腿的想法——LLM Wiki。简单说就是：别再让 AI 每次从零开始检索文档了，让它帮你维护一个持续积累、自动更新的知识库。

卡帕西原文：
https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

想法很好，但卡帕西只给了理念，没给工具。结果没过几天，开源社区就有人把它做出来了——Graphify，一个 Claude Code 技能，一条命令就能把任何文件夹变成可交互的知识图谱。

Graphify 项目地址：
https://github.com/safishamsi/graphify/tree/v4

我用它把仓库里 65 篇文章跑了一遍，效果惊艳。今天就带你从原理到实操，完整走一遍。

---

🔥 卡帕西说了什么？

大多数人用 AI 管理知识的方式是 RAG：上传一堆文件，AI 在提问时检索相关片段，然后生成回答。

问题是：每次提问，AI 都在从零开始。

你问一个需要综合 5 篇文档的问题，AI 就得重新找、重新拼。知识没有被积累，也没有被结构化。

卡帕西提出了一种完全不同的思路：

让 LLM 持续地、增量地构建和维护一个 wiki——一组结构化的、相互链接的 Markdown 文件。每次你加入新资料，LLM 不只是索引它，而是读取、提取关键信息、整合到已有的 wiki 中。

核心架构分三层：

• Raw（原始资料）：你的文章、论文、截图，不可变，AI 只读
• Wiki（知识图谱）：AI 生成的概念页、实体页、对比页，相互链接
• Schema（规则文件）：告诉 AI 怎么维护这个 wiki

用卡帕西自己的话说：“Obsidian 是 IDE，LLM 是程序员，wiki 是代码库。”

---

🛠️ Graphify：从理念到成品

Graphify 就是卡帕西理念的完整实现。

它是一个 Claude Code 技能（Skill），一条命令就能把你的文件夹变成知识图谱。支持的不只是 Markdown——代码、PDF、截图、流程图、白板照片，统统可以丢进去。

它做了什么？

Graphify 分两轮提取：

第一轮：结构提取（免费，不需要 LLM）
用 tree-sitter 对代码文件做 AST 分析，提取类、函数、导入关系。这一步完全在本地运行，零 token 消耗。

第二轮：语义提取（需要 LLM）
并行调度 Claude 子代理处理文档、PDF 和图片，提取概念、关系和设计动机（不只是"做了什么"，还有"为什么这么做"）。

两轮结果合并后，用 Leiden 社区发现算法 做聚类，最终输出三样东西：

输出文件	说明
graph.html	可交互的知识图谱可视化，节点按社区着色
GRAPH_REPORT.md	分析报告：God Nodes、意外连接、建议提问
graph.json	持久化图谱数据，跨会话可用

关键亮点

• 诚实审计：每条关系都标注了 EXTRACTED（源文件中明确存在的）、INFERRED（合理推断，附带置信度分数）或 AMBIGUOUS（有歧义）。你始终知道哪些是真发现的，哪些是 AI 猜的
• Token 压缩：官方测试数据，52 个文件（代码+论文+图片）的知识库，每次查询 token 消耗降低 71.5 倍
• 增量更新：SHA256 缓存机制，重复运行只处理变更过的文件

---

📦 5 分钟安装 Graphify

前提条件：Python 3.10+、Claude Code

Step 1：安装 Graphify

pip install graphifyy && graphify install

PyPI 包名暂时叫 graphifyy（因为 graphify 这个名字还在回收），但 CLI 和 Skill 命令都是 graphify。

Step 2：运行全量构建

在 Claude Code 里输入：

/graphify .

就这么一条命令。Graphify 会自动检测文件类型，分派子代理并行处理，最终生成完整的知识图谱。

我的仓库跑了大约 5 分钟，结果：

Corpus: 89 files · ~51,110 words
316 nodes · 277 edges · 66 communities
Top God Nodes: MCP (16 edges), Skills (8), CLAUDE.md (8)

Step 3：配置常驻模式（推荐）

图构建完成后，在项目目录运行：

graphify claude install

这会做两件事：

1. 在 CLAUDE.md 里写入规则，告诉 Claude 回答问题前先读 GRAPH_REPORT.md
2. 安装 PreToolUse hook，每次搜索文件时自动注入图谱上下文

配置完成后，即使你不手动输入 /graphify，Claude Code 也会自动参考知识图谱来回答问题。

---

🔍 实战效果：我的 65 篇文章变成了什么？

跑完之后，我得到了一张可交互的知识图谱，66 个社区，每个社区用不同颜色标注。

打开 graph.html，最直观的感受是：

原来我的文章之间有这么多隐藏连接！

God Nodes（核心枢纽）

图谱告诉我，我的知识库最核心的概念是：

1. MCP（Model Context Protocol）— 16 条连接，当之无愧的枢纽之王
2. Skills（AI Agent 技能系统）— 8 条连接
3. CLAUDE.md 持久记忆 — 8 条连接
4. Claude Code — 7 条连接

这说明我的写作重心一直在 AI 工具链上，MCP 是贯穿所有文章的核心线索。

意外连接（Surprising Connections）

最让我惊喜的是"意外连接"部分。Graphify 发现了一些我自己都没注意到的关联：

• Google 翻译实时对话 和 Transformer 自注意力机制 居然被连在了一起——确实，实时翻译的底层就是 Transformer
• nvm（Node 版本管理器） 和 SDKMAN（Java 版本管理器） 被识别为语义相似——都是 macOS 上的版本管理工具
• WSL2 Backend for Docker 和 WSL2 Networking 跨文件建立了连接——两篇不同文章里的 WSL2 知识被自动关联

这些连接是你在手动管理笔记时永远不会发现的。

---

🌐 配合 Obsidian Web Clipper：闭环工作流

知识库不是一次性工程，需要持续维护。这里推荐一个完美搭配：Obsidian Web Clipper。

它是什么？

Obsidian 官方出品的免费浏览器插件，支持 Chrome、Edge、Firefox。看到好文章，一键剪藏到你的 Obsidian vault。

配置方法

1. 浏览器安装 Obsidian Web Clipper 插件
2. 打开插件设置，点击左侧 “Default” 模板
3. 把 “笔记位置”（Note Location） 改成 raw/articles
4. 如果你有多个 vault，在"常规"设置里添加保管库名称，然后在模板里选择对应的 vault

这样，每次剪藏的内容都会自动存到 raw/articles/ 目录。

我的日常维护工作流

浏览器浏览 → 发现好文章 → Web Clipper 一键剪藏 → 存入 raw/articles/
        ↓（积累 2-3 天）
打开 Claude Code → "检查新素材，更新知识库"
        ↓（自动执行）
读取新文件 → 更新 wiki 概念页 → 更新图谱 → 完成

完全不需要记命令，用自然语言跟 Claude Code 说就行。

---

📊 Graphify 常用命令速查

命令	说明
/graphify .	全量构建知识图谱
/graphify . --update	增量更新（只处理变更文件）
/graphify query "你的问题"	查询知识图谱
/graphify path "概念A" "概念B"	查找两个概念之间的路径
/graphify explain "概念名"	用自然语言解释某个节点
/graphify add <url>	抓取网页并加入图谱

日常使用中，你只需要记住两条：

• 加了新素材 → /graphify . --update
• 想查知识 → /graphify query "你的问题"

---

💡 为什么这套方案值得试？

回过头看，Graphify 解决的核心问题是：

知识管理的痛点不在阅读和思考，而在整理和维护。

人为什么放弃维护 wiki？因为交叉引用、同步更新、发现矛盾这些"体力活"太枯燥了。LLM 不会厌倦，不会忘记更新一个交叉引用，一次可以修改 15 个文件。

人的工作是筛选素材、引导分析、提出好问题。AI 的工作是其他所有事情。

就像卡帕西说的，这个想法和 1945 年 Vannevar Bush 提出的 Memex 一脉相承——一个私人的、精心策展的知识库，文档之间的连接和文档本身一样有价值。Bush 没能解决的问题是：谁来做维护？现在，LLM 来了。