Transcript
00:00:00这可能是让你的代码库焕发活力的最疯狂方式之一。
00:00:04如果你在实际项目中使用 Claude Code 或 Cursor，你可能会觉得写代码是最难的部分。
00:00:09其实不然。最难的部分是理解你自己的代码仓库。
00:00:13你问一个问题，你的 AI 就会为了弄清楚是怎么回事而耗尽你的 token。
00:00:18它速度慢、成本高，而且有一半时间依然很生疏。
00:00:22如果不是每次都发送整个项目，而是给 AI 一张项目地图呢？
00:00:27这正是 Grafi 所做的，它可以减少 70% 以上的 token 使用量。
00:00:32让我来告诉你这一切是如何运作的。
00:00:34现在，你的 AI 眼中的项目是这样的。只是一堆文件。
00:00:44没有真正的连接。没有结构。没有记忆。
00:00:48所以每次你提问时，它都必须从头开始重新学习一切。
00:00:53这就是为什么答案感觉很接近，但不完全正确。
00:00:56没错，这正是 Karpathy 指出的“原始文件夹”问题。
00:01:01Grafi 就在那之后出现了。它更像是一个记忆层。
00:01:06如果你喜欢这类编程工具和技巧，请务必订阅。
00:01:09我们经常会发布新视频。
00:01:11好了，现在让我展示一下。我这里有一个小仓库。代码、文档、图表。
00:01:16通常情况下，我每次都得向 AI 解释这一切。
00:01:20现在，我运行一个命令，就在这里输入 Grafi。稍等片刻。看这个。
00:01:27在 Claude 执行 Grafi 之后，这不再仅仅是文件了。它是一个真实的图谱。
00:01:33一切都是相互连接的。我可以点击并剖析具体发生了什么，
00:01:38以及它生成的这个 HTML 文件中连接了哪些内容。
00:01:42现在我不再需要让 AI 重新阅读所有内容，而是可以直接问它 API 层连接了什么。
00:01:50现在它会利用这种调用生成的 MD 文件及其中的关系来回答。
00:01:56这不再是猜测，而是基于关系。这里是令我惊讶的部分。
00:02:00在此之前，大约消耗了 14,000 个 token，大概就是用了这么多。
00:02:04在这之后，在它第一次执行完后，消耗量降到了几百个左右。
00:02:09同样的问题，完全不同的成本。这一切都归功于这张生成的地图。
00:02:14那么它到底在做什么？Grafi 基本上就像是你代码库的谷歌地图。
00:02:20你得到的不是原始文本，而是节点和连接。
00:02:24在底层，它使用 tree-sitter 来理解结构，然后用 LLM 提取含义。
00:02:30接着它能将所有内容分组成簇，而且不仅仅是代码。
00:02:35它能读取 PDF、图表，甚至音频和视频。全部在本地完成，数据不出机器。
00:02:41你从中获得的东西很简单。我们得到了一个可视化图谱、一份书面报告，
00:02:46以及一个我们可以实际探索的知识库。
00:02:49这个可视化图谱对我们很多人来说意义重大，因为我们可以看到事物是如何连接的。
00:02:54现在，来看看这如何改变了 AI 编程通常的工作方式。
00:02:57大多数工具使用 RAG，这基本上意味着寻找类似的文本块。
00:03:03但 Grafi 不这样做。它建立的是真实的关系。
00:03:07这个函数调用了那个函数。这个模块依赖于那个模块。
00:03:11这个想法源自这份文档，它甚至会告诉你它的置信度。
00:03:16所以得到的不再是“这看起来相关”，而是类似于“这在实际可视化中
00:03:21确实是相互连接的”。
00:03:24最大的区别在于，因为它生成了那个可以回溯的 MD 文件，它也具备了记忆，
00:03:30我们不需要每次都从零开始。
00:03:33它只更新更改的部分，所以你的 AI 终于有了持久的上下文。
00:03:38好了，我觉得这一切确实挺棒的。
00:03:42但目前的优缺点分别是什么呢？
00:03:44首先，效率是会叠加的。
00:03:47每个问题都变得更便宜。因为连接了代码、
00:03:51文档和图表，你会开始发现一些以前甚至不知道存在的关系。
00:03:56这对于接手那些丢给我们的烂摊子项目来说，是入职的神器。
00:04:00太棒了。现在来看看缺点。
00:04:03第一次运行可能会很慢且消耗 token，尤其是文档很多的时候。
00:04:08在那之后它会有缓存。但没错，第一次的开销是实打实的。
00:04:12它还处于早期阶段，所以长期支持还是个未知且小众的事情。
00:04:17安装的时候要注意，是 Grafyy，两个 y，不是一个。
00:04:20所以检查一下拼写。关系并不总是完美的，
00:04:23但它标注得很清楚：提取的、推断的、模糊的，
00:04:28这样你就知道哪些是可以真正信任的。如果你的仓库很小，
00:04:32这可能有点大材小用了。那么它值得吗？
00:04:35我是说，如果你在任何实际项目中使用 AI，这都很酷。
00:04:38我觉得值得。因为你最大的问题不是运行代码，
00:04:42而是跨文件、跨时间、跨语境地去真正理解它。
00:04:46这正是它解决的问题。光是节省的 token 就值得一试，
00:04:51但更大的收获是：你的 AI 不再猜测，而是开始推理。
00:04:56如果你是独立开发、做研究，或者处理大型系统，这是一个重大的升级。
00:05:01如果你只是在写一些小脚本，这可能有点杀鸡用牛刀了，
00:05:04所以你并不真的需要尝试。但对于大多数尝试过这个的开发者来说，
00:05:07这将是一个极佳的工具。如果你喜欢这类能加速工作流的
00:05:10编程工具和技巧，请务必订阅 Better Stack 频道。
00:05:14我们下个视频再见。