一、两个工具，两种定位

AI 读代码这件事，正在分化成两条路线：

  • Graphify（Graphify-Labs/graphify，11.5 万星，Apache-2.0）— 偏「知识地图」：把代码、文档、PDF、图片全部塞进一张本地知识图谱，tree-sitter 确定性解析，零外部依赖
  • Code-Graph-RAG（vitali87/code-graph-rag，5,113 星，MIT）— 偏「语义索引」：Tree-sitter + Memgraph（兼容 Neo4j 生态）+ 向量检索，主打自然语言查代码结构、依赖分析、精准改码

一句话区分：想要全局理解选 Graphify，想要日常导航和改动影响分析选 Code-Graph-RAG。两者不冲突，可以叠加。

项目信息

Graphify：Apache-2.0 · Python · 115K+ 星 · 本地确定性 AST 解析 · 零外部数据库
Code-Graph-RAG：MIT · Python 3.12+ · 5,113 星 · Tree-sitter + Memgraph + Qdrant 向量检索 · 支持 12+ 语言

二、逐项对比

维度GraphifyCode-Graph-RAG
定位知识地图：整库（代码+文档+SQL+PDF）一次看清语义索引：日常查结构、追依赖、辅助改码
解析引擎tree-sitter 本地确定性 ASTTree-sitter 多语言解析 → AST → 统一图 schema
图存储本地文件，零外部依赖Memgraph（默认）/ Neo4j 生态，需 Docker 起服务
检索方式图遍历，每条边可溯源自然语言 → Cypher 查询 + 向量检索（semantic extra）
输入范围代码、文档、SQL Schema、PDF、图片多语言代码库（Python/TS/JS/Rust/Go/Java/C/C++/C#/PHP/Lua/Dart，ast-grep 层扩展更多）
使用场景接手新项目、架构梳理、代码审查日常编码代理、改动影响分析、跨语言 monorepo
部署成本极低（pip 一条命令，纯本地）中等（Python 3.12+ + Docker + Memgraph + Qdrant）
安装pip install graphifyyuv tool install "code-graph-rag[treesitter-full,semantic]"，CLI 命令 cgr

三、什么时候用哪个

选 Graphify

  • 刚接手一个陌生仓库，需要 10 分钟画出全貌
  • 做架构梳理 / 技术文档，需要把代码+文档+SQL 混在一起看
  • 代码审查时追溯「这个依赖为什么存在」
  • 不想部署任何数据库服务（零外部依赖是核心卖点）

选 Code-Graph-RAG

  • 日常编码代理高频使用，问「谁调用了这个函数」「改这个类影响哪些模块」
  • 跨语言 monorepo（12+ 语言统一图 schema）
  • 需要 AI 驱动的代码编辑/优化，而不仅是查询
  • 已有 Neo4j/Memgraph 基础设施的团队

四、叠加使用的姿势

# 全局地图：一次性看清
pip install graphifyy
graphify scan ./my-project
# 在 Agent 中 /graphify 出全貌图

# 语义索引：日常导航
uv tool install "code-graph-rag[treesitter-full,semantic]"
cgr  # 交互式 CLI：自然语言 → Cypher → 代码定位 + 编辑

组合工作流：

  • 接手新项目 → Graphify 先画一张全局知识地图（含文档/PDF/SQL），理解业务边界
  • 日常开发 → Code-Graph-RAG 挂在编码代理上，改码前自动做影响分析
  • 结果 → 宏观有地图，微观有索引，AI 既「看得全」又「改得准」

与 AgentMemory 的关系

记忆三层体系：AgentMemory 记「发生过什么」（经验），Graphify 画「长什么样」（全局地图），Code-Graph-RAG 管「怎么改」（日常导航）。三者正交，可全部叠加。

五、我的判断

优点

  • 定位清晰不重叠 — 地图 vs 索引，各占一个生态位
  • Graphify 零部署 — 本地纯文件，隐私友好
  • CGR 能力强 — 自然语言 → Cypher → 编辑闭环，且 12+ 语言
  • 都开源 — Apache-2.0 / MIT 可商用

注意点

  • Code-Graph-RAG 需要 Python 3.12+ 和 Docker（Memgraph + Qdrant），部署成本明显更高
  • 96 个 open issues，活跃迭代期，接口可能变动
  • 两层图（Graphify + CGR）会有一定维护成本，建议同一团队只选一套为主

全局理解找 Graphify，日常导航找 Code-Graph-RAG。真正的工作流是把它们叠在 AgentMemory 之上——记忆、地图、索引三层齐了，AI 才算「看懂了你的代码库」。

GraphifyCode-Graph-RAG知识图谱tree-sitterRAG对比
返回技艺录