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

来源：互联网时间：2026-07-09 16:26:48

AI圈的节奏，快到让人产生幻觉。前脚Karpathy刚分享完他的个人知识库方法论，后脚48小时内，就有人拿着功能完备的“完全体”工具送货上门了。

这款名为

Graphify

的工具，主打零配置、全模态、本地运行，并且宣称能大幅节省token消耗。它在GitHub开源后迅速走红，已狂揽超过2000个Star。

它不仅能够自动构建可导航的知识图谱，自带反向链接和关系溯源功能，更关键的是实现了

高达71.5倍的token消耗节省

。这相当于直接把卡神的“/raw笔记法”进化到了终极形态。

万物皆可图谱化

回顾一下卡神那套爆火的知识库方案，其核心是一套轻量化的工作流，旨在避免使用复杂的向量数据库。

具体做法是：用一个raw/目录来存放论文、代码、截图等原始资料，然后通过大语言模型（LLM）自动生成带有交叉引用的Wiki文档，再配合定期的“体检”和维护，逐步搭建起一个能够持续生长、越用越顺手的个人知识体系。

这个思路无疑非常精妙，但真要落地，也确实存在一些可以优化的空间。

例如，raw文件夹需要用户手动进行整理和归类，每次添加新资料都得全程跟进；反复读取原始文件会带来高昂的token消耗，连Karpathy本人都坦言，大部分token其实已经不用来跑代码了；此外，整个方法目前仍停留在手动工作流的阶段，缺乏专门的工具封装，用户需要一步步引导AI执行，操作步骤相对繁琐。

有痛点，自然就有解决方案。卡神的分享上线仅仅48小时后，开源社区就交出了一份令人满意的答卷。

Graphify对上述工作流进行了全方位的工具化升级。

首先是

全模态自动图谱化

，从源头上省去了手动整理的麻烦。它内置了统一的多模态处理管线，能够针对不同类型的文件进行自动化解析：

对代码文件，通过本地的tree-sitter进行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；而对截图、流程图、白板照片等视觉内容，则调用Claude Vision来完成概念提取与关系识别。

整个过程无需人工预处理、无需预先分类筛选，用户只需将文件丢进目标文件夹，即可统一纳入知识图谱。相比之下，卡神的方案仍需用户手动规整资料并触发处理，而Graphify实现了从文件扫描到图谱生成的全流程自动化，真正做到了“万物皆可图谱化”。

在此基础上，Graphify凭借

本地AST解析与并行LLM袋里语义提取的双阶段流程71.5倍Token消耗优化

。

第一阶段，对代码文件进行确定性的AST提取，全程在本地完成，不调用LLM，因此不产生任何Token消耗；第二阶段，仅对文档、论文、图片等非代码内容，通过并行的LLM袋里进行一次语义抽取。同时，工具还搭配了SHA256缓存机制，在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，确保将Token真正用在“刀刃”——也就是推理任务上。

在一个包含卡帕西的仓库文件、5篇论文、4张图片，共计52个文件的混合语料测试场景中，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、也不用复杂配置开箱即用

。

它的聚类功能基于图拓扑完成，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。用户只需要在目标文件夹执行一条命令：/graphify .，就能一键生成完整的知识图谱，附带交互式HTML页面、分析报告与可持久化的数据文件，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，区分是原文提取、模型推断还是歧义关系，并附带置信度，使得知识来源透明可查，结果更加可信。

全平台适配

介绍完核心优势，再来看看具体怎么安装和使用。

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

仅需Python 3.10及以上环境，通过一行命令即可完成全部部署（当前PyPI上的包名暂时为graphifyy）：

pip install graphifyy && graphify install

如果你是在Claw平台，则可通过以下命令安装：

graphify install —platform claw

这里有几个平台相关的细节需要注意：

Codex用户
：若想用上Graphify提到的并行LLM袋里提取功能，必须先在配置文件
~/.codex/config.toml
的
[features]
部分，将
multi_agent
参数设置为
true
，否则无法启用并行模式。
OpenClaw用户
：该平台目前对多袋里并行的支持还处于初级阶段，尚未完善，因此只能使用顺序逐个提取的模式，无法并行处理，在速度和效率上会有所折扣。