Graphify: El Mapa de Código que Claude Code Necesitaba

por | 7 mayo, 2026
0 comentarios

Graphify: El Mapa de Código que Claude Code Necesitaba

¿Qué es Graphify?

Graphify es un skill para Claude Code que convierte cualquier carpeta de código en un grafo de conocimiento navegable. En lugar de que el agente lea archivo por archivo cada vez, le das estructura: nodos, conexiones y relaciones que ya estaban ahí pero invisibilizadas.

«El problema no es que Claude lea mucho código. El problema es hacerle leer el proyecto entero archivo por archivo cada vez.»

— Andrea Eskailet

El Problema que Resuelve

Cuando ejecutas Claude Code en un proyecto grande, cada sesión comienza desde cero: el modelo lee todos los archivos para entender el contexto. En proyectos con 50+ archivos esto es costoso, lento y a menudo redundante.
Graphify resuelve esto con 71.5x menos tokens por consulta vs leer los archivos en bruto, persistencia entre sesiones, y transparencia sobre qué encontró vs qué infirió.

Características Principales

Soporte multimodal:

  • Código (.py, .ts, .js, .go, .rs, .java, .c, .cpp, .rb, .cs, .kt, .scala, .php) — AST via tree-sitter
  • Documentos (.md, .txt, .rst)
  • Papers (.pdf) — extracción de citas y conceptos
  • Imágenes (.png, .jpg, .webp, .gif) — usa Claude vision para entender diagramas, capturas, incluso imágenes en otros idiomas

Salidas:

  • `graph.html` — grafo interactivo con vis.js (click nodos, buscar, filtrar por comunidad)
  • `obsidian/` — abre como bóveda de Obsidian
  • `wiki/` — artículos estilo Wikipedia para navegación de agentes (`–wiki`)
  • `GRAPH_REPORT.md` — nodos god, conexiones sorprendentes, preguntas sugeridas
  • `graph.json` — grafo persistente para consultar semanas después sin releer
  • `cache/` — SHA256 cache, solo re-procesa archivos cambiados

Instalación

# Requiere Claude Code y Python 3.10+
pip install graphifyy && graphify install

El paquete en PyPI se llama graphifyy temporalmente


El CLI y comando del skill siguen siendo "graphify"


Luego abres Claude Code en cualquier directorio y ejecutas:

/graphify .

Comandos Principales

# Ejecutar en directorio actual
/graphify .

Ejecutar en carpeta específica

/graphify ./raw

Modo deep — extracción más agresiva de bordes inferidos

/graphify ./raw --mode deep

Actualizar solo archivos cambiados (merge into graph existente)

/graphify ./raw --update

Agregar un paper desde arXiv

/graphify add https://arxiv.org/abs/1706.03762

Agregar un tweet

/graphify add https://x.com/karpathy/status/...

Consultar el grafo

/graphify query "¿qué conecta attention con el optimizer?"
/graphify path "DigestAuth" "Response"
/graphify explain "SwinTransformer"

Auto-sync — el grafo se actualiza al cambiar archivos

/graphify ./raw --watch

Generar wiki estilo Wikipedia para navegación de agentes

/graphify ./raw --wiki

Exportar a otros formatos

/graphify ./raw --svg
/graphify ./raw --graphml   # Gephi, yEd
/graphify ./raw --neo4j     # generar cypher.txt para Neo4j

Iniciar como servidor MCP (stdio)

/graphify ./raw --mcp

Git hook automático — rebuild del grafo en cada commit

graphify hook install

¿Qué Obtienes?

God nodes — los conceptos de mayor grado, los hubs que todo conecta.
Conexiones sorprendentes — ranking por score compuesto. Code-paper edges pesan más que code-code. Cada resultado incluye un «por qué» claro.
Preguntas sugeridas — 4-5 preguntas que el grafo está uniquely positioned para responder.
Token benchmark — impreso automáticamente después de cada ejecución. En un corpus mixto (repos de Karpathy + papers + imágenes): 71.5x menos tokens.
Auto-sync — código se rebuild instant (AST, no LLM). Docs/imágenes te notifican para correr `–update`.
Hook de Git — sin proceso en background. post-commit hook funciona con cualquier editor.
Wiki — artículos .md por comunidad y god node, con index.md como entry point. Cualquier agente puede navegar la base de conocimiento leyendo archivos en vez de parsear JSON.
Transparencia — cada borde está tagueado como `EXTRACTED`, `INFERRED`, o `AMBIGUOUS`. Siempre sabes qué se encontró vs qué se adivinó.

Benchmark Real

  • Karpathy repos + 5 papers + 4 imágenes (52 archivos): 71.5x de reducción
  • graphify source + Transformer paper (4 archivos): 5.4x de reducción
  • httpx librería Python sintética (6 archivos): ~1x (cabe en contexto window)

La reducción escala con el tamaño del corpus. Archivos pequeños no ganan mucho en compresión, pero sí en claridad estructural.

Stack Técnico

NetworkX + Leiden (graspologic) + tree-sitter + Claude + vis.js. No requiere Neo4j, no necesita servidor, corre 100% local.

Casos de Uso

1. Auditorías de código — entender arquitectura sin leer todo
2. Debugging — encontrar relaciones entre errores que parecen no relacionados
3. Onboarding — nuevos devs navegan el grafo en vez de leer 500 archivos
4. Servicios a clientes — cobrar por análisis de proyectos con grafos visuales
5. Investigación — conectar papers con código implementando las ideas

Video Original

La inspiración para este post viene de Andrea Eskailet y su video en TikTok explicando cómo Graphify cambió su flujo de trabajo con Claude Code.

Graphify es open source y está disponible en GitHub.

Categoría: AI