Graphify 做的事可以一句話講完：把你整個專案變成一張圖，然後用「問問題」的方式去讀它。下面從「輸入」到「輸出」拆解這張圖長什麼樣。
不只是程式碼。Graphify 接受程式碼、文件、PDF、圖片、影音，全部進同一張圖：
來源：ARCHITECTURE.md。每個階段是一個獨立模組、一個函數，透過純 dict / NetworkX 圖溝通：
graphify-out/，沒有共享狀態、沒有副作用圖的格式是 NetworkX 的 node-link 結構（graph.json）：
每一條邊都帶一個標籤，告訴你「這條關係是讀到的還是推出來的」——這是 graphify 最強調的透明性設計：
| 標籤 | 意義 | 範例 |
|---|---|---|
EXTRACTED | 在原始碼中直接找到（confidence 固定 1.0） | 一個 import 語句、一個直接呼叫 |
INFERRED | 合理的推論，帶 confidence_score（0.0–1.0） | 呼叫圖第二遍、跨檔同名解析 |
AMBIGUOUS | 不確定，會在報告中標記人工檢視 | 同名符號無法消歧 |
| 分數 | 意義 |
|---|---|
0.95 | 近乎確定（明確的跨檔引用、單一可行目標） |
0.85 | 強證據（命名 + 上下文吻合） |
0.75 | 合理（有脈絡但不明確） |
0.65 | 弱（僅命名相似） |
0.55 | 臆測 |
Leiden 是把「彼此之間連線很密的節點」歸成同一群的圖分群方法。Graphify 不需要 embedding 或向量資料庫——Claude 抽出的語意相似邊（semantically_similar_to）本身就已經是圖的一部分，圖的結構就是相似度訊號。
圖建好之後，取代「讀原始檔」的就是這三件事：
實際輸出的長相（README 的範例）：
$ graphify explain "APIRouter"
Node: APIRouter
Source: routing.py L2210
Community: 2
Degree: 47
Connections (47):
--> RequestValidationError [uses] [INFERRED]
--> Dependant [uses] [INFERRED]
--> .get() [method] [EXTRACTED]
<-- __init__.py [imports] [EXTRACTED]
$ graphify path "FastAPI" "ModelField"
Shortest path (3 hops):
FastAPI --uses--> DefaultPlaceholder <--references-- get_request_handler() --references--> ModelField所有產出都放在 graphify-out/，可 commit 進 git 讓整個團隊共享——每個人都直接讀圖，不用重新建。