Graphify convierte el repositorio en un grafo consultable para agentes de IA
La herramienta open source indexa código, documentación e imágenes en un grafo consultable y lo expone a asistentes de programación mediante servidores MCP.
Graphify es una utilidad de código abierto que convierte repositorios, documentación y datos sin estructura en grafos de conocimiento consultables, con la idea de dar a los agentes de programación el contexto entre archivos que hoy no tienen. Se publicó en abril de 2026 con doble licencia MIT y Apache-2.0, acumuló miles de estrellas en GitHub en sus primeros diez días y desde entonces mantiene un ritmo de varias actualizaciones al mes. Está en el repositorio y se instala con uv en macOS, Windows y Ubuntu/Linux.
El problema que ataca lo conoce cualquiera que haya metido un repo grande en un asistente: el modelo trata el código como charcos de texto aislados y pierde las dependencias profundas. Graphify monta una tubería de varias etapas. Recorre los directorios, extrae los elementos estructurales del AST con tree-sitter, suma señales semánticas de la documentación y agrupa todo en un grafo único mediante algoritmos de detección de comunidades. El resultado se consulta directamente o se conecta a los asistentes vía servidores MCP, con una reducción de tokens considerable frente a leer ficheros a pelo.
Qué ha cambiado últimamente
Las versiones recientes han ido a por los parsers. Entre las notas de la release aparecen la preservación de atributos de bloques de Terraform, que deja la configuración de infraestructura consultable junto al código; resolución de métodos entre archivos con soporte de bloques impl partidos para tipos genéricos en Rust, seguimiento de receptores externos en Kotlin y enrutado de llamadas estáticas con calificación de ámbito en C++. También hay seguimiento de code spans en Markdown para enlazar referencias de documentación con símbolos, indexado de scripts embebidos en PHP y un mapeo de dependencias más limpio para imports de subpath.
Los números son suyos, no de un tercero: recall@10 de 0,497 en LOCOMO, 45,3% de precisión en QA, 76% en un subconjunto de 50 preguntas de LongMemEval-S y una subida de cobertura de hechos clave en ERPNext del 70,8% al 82,0%. El último dato sale de seis preguntas, así que conviene leerlo como una señal y no como una medida.
Lo que dice quien lo usa
En Reddit y en blogs de ingeniería la recepción es mixta y bastante honesta. Quienes lo han probado para orientarse en repos grandes, hacer onboarding o revisar arquitectura destacan el mapa conceptual. En repos medianos, varios hilos señalan que grep o navegar a mano sigue siendo más rápido hasta que las herramientas del grafo maduren. Es la fricción habitual de un proyecto joven: el concepto convence antes que el flujo diario.
Lo que queda por ver está en el parser. Cada entrega añade lenguajes y afina resoluciones entre archivos, y de esa cobertura depende que el grafo sea más fiable que un grep. Un repo políglota mal resuelto devuelve un grafo bonito y equivocado, y eso, con un asistente razonando encima, se paga en respuestas inventadas.
