Obsidian-Graphify：让笔记库自动长出知识图谱

来源: 今日头条 (2026-04-17)
原文链接: https://m.toutiao.com/article/7629206555352220203/

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 words316 nodes · 277 edges · 66 communitiesTop 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：

在 CLAUDE.md里写入规则，告诉 Claude 回答问题前先读GRAPH_REPORT.md
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：

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

浏览器安装 Obsidian Web Clipper 插件
打开插件设置，点击左侧 **"Default"**模板
把 **"笔记位置"（Note Location）**改成raw/articles
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`	抓取网页并加入图谱