Graphy:把代码库做成地图,让 AI 提问节省 70% 以上 Tokens
Graphy(Graphify)是一款旨在解决大语言模型处理大型代码库时资源消耗过高问题的工具。它通过将代码库转化为可视化的图谱与记忆层,帮助 LLM 理解文件间的真实依赖关系。这种机制不仅优化了模型对项目结构的认知,还能显著减少上下文窗口的 Token 占用,实现降低 70% 以上用量的效果,从而有效控制 API 调用成本。
01核心原理:构建代码图谱与记忆层
Graphy 的核心逻辑在于避免将整个代码仓库(Repo)作为输入直接发送给 LLM。传统方式下,每次交互往往需要重复发送大量代码片段,导致 Token 快速消耗。Graphy 采用了“代码图谱”和“记忆层”技术,预先解析代码库结构,建立文件间的语义联系。
- 可视化图谱构建
自动扫描项目文件,生成可视化的依赖关系图谱,直观展示模块间的调用与引用关系。 - 本地记忆层维护
在本地建立持续上下文记忆,避免重复上传已分析的基础代码结构,仅针对变更部分或特定查询进行交互。
02实操演示:依赖分析与报告生成
在实际操作中,Graphy 展示了从代码解析到报告输出的完整工作流。用户通过可视化界面可以清晰地查看代码的依赖走向,并基于此生成结构化的分析报告。
- 可视化依赖分析
工具对指定项目进行扫描,将复杂的文件引用关系转化为节点图,便于开发者快速定位核心模块与潜在孤岛。 - 生成可回溯 MD 报告
基于图谱分析结果,系统自动生成 Markdown 格式的报告。该报告详细记录了代码结构分析,支持回溯查阅,为 AI 提供结构化的上下文输入。 - 本地上下文保持
所有生成的图谱和报告均存储在本地,后续与 AI 交互时,系统仅检索相关信息而非全量代码,维持了上下文的连续性与高效性。
03应用成效:Token 用量与成本优化
通过上述技术路径,Graphy 在处理大规模代码库时表现出显著的资源优化能力。实测数据显示,利用图谱记忆层替代全量代码输入后,AI 调用所需的 Token 数量大幅减少。
| 评估维度 | 传统直接上传 Repo | Graphy 图谱记忆模式 |
|---|---|---|
| Token 消耗量 | 全量上传,用量极高 | 按需检索,降低 70% 以上 |
| 上下文理解 | 依赖关系可能被割裂 | 基于图谱,结构清晰 |
| 交互成本 | 重复发送基础代码 | 本地记忆,仅传输增量 |
Graphy 与传统模式对比
当前文章无评论,是时候发表评论了