企业官网建设流程全解析

graphify记忆层完全指南：save-result与reflect如何让知识图谱"越用越聪明"

【免费下载链接】graphifyTurn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.项目地址: https://gitcode.com/GitHub_Trending/graph/graphify

graphify 是一款把代码库、文档、SQL 模式与配置文件转化为可查询知识图谱的开源工具，也是 Claude Code、Cursor、Codex 和 Gemini CLI 的/graphify技能。它的记忆层由两个命令组成：save-result负责把每次问答归档为带信号的记忆文档，reflect负责把这些记忆确定性地聚合成一份 LESSONS.md 经验清单——无需向量库、无需 LLM，让 AI 助手在下一次会话开始时自动"想起"哪些来源可靠、哪些路是死胡同。🧠

什么是 graphify 的记忆层

graphify 的核心管线是：扫描 → 抽取 → 建图 → 聚类 → 分析 → 报告 → 导出，全部产物落在graphify-out/目录。而记忆层是在此之上的一圈反馈闭环：

1. 写入侧：每次 AI 回答完问题，用save-result把问答存档到graphify-out/memory/，并打上一个"结果信号"；
2. 读取侧：会话开始时跑一次reflect，把所有记忆文档压缩成一份graphify-out/reflections/LESSONS.md，AI 读它即可快速定向；
3. 同步侧：可选安装 git post-commit 钩子，提交后自动重新生成经验文件，保持"记忆"与代码同步。

整个机制是确定性的：同样的输入必然产出字节级相同的 LESSONS.md，不依赖任何大模型，所以又快又便宜（实现见 graphify/reflect.py）。

save-result 三步上手：把问答存成记忆

在 agent 工作流中，一条典型的存档命令长这样（命令定义见 graphify/cli.py）：

graphify save-result \ --question "支付重试逻辑在哪里？" \ --answer "在 retry_policy() 中，指数退避最多 3 次" \ --type query \ --nodes retry_policy PaymentService \ --outcome useful

它会生成一个形如query_20260830_120000_支付重试逻辑在哪里.md的文件，落在graphify-out/memory/下，内部结构很朴素：YAML frontmatter（问题、日期、结果信号、来源节点）+ Markdown 正文（问答与结论），方便人直接阅读，也方便下一次--update时被抽取进知识图谱（存档逻辑见 graphify/ingest.py）。

三种结果信号：记忆的灵魂

--outcome参数只有三个取值（OUTCOMES = ("useful", "dead_end", "corrected")，见 graphify/ingest.py）：

答错了也没关系——--correction "正确答案是…"可以把纠正内容一并存档，这正是记忆层最宝贵的数据。

reflect 一键聚合：LESSONS.md 是怎么生成的

graphify reflect # 默认读 memory/，输出 reflections/LESSONS.md graphify reflect --if-stale # LESSONS.md 已是最新则直接跳过（几乎零开销）

reflect会扫描graphify-out/memory/下所有记忆文档（带 frontmatter 的才会被解析，外来 .md 会被自动跳过），按结果信号对每个来源节点做带时间衰减的加减分，最后渲染出五类经验（渲染逻辑见 graphify/reflect.py）：

• Preferred sources（首选来源）：被 ≥2 次不同useful结果印证的节点——下次优先从这里查起；
• Tentative（待验证）：只被用过一次且有效的节点——可用，但先核实；
• Contested（有争议）：既有正面又有负面信号的节点——按"最近一次"的胜负判定；
• Known dead ends（已知死胡同）：被标记dead_end的问题——别再重复推导；
• Corrections（纠正记录）：用户纠正过的答案，附正确版本。

两个关键参数：时间衰减与互相印证

• --half-life-days（默认 30）：每条信号的权重每 30 天减半。三个月前的"有用"抵不过最近一次"此路不通"——新鲜的失败比陈旧的成功更有分量（衰减公式见 graphify/reflect.py）；
• --min-corroboration（默认 2）：一个节点必须被至少 2 次不同的useful结果印证才能晋升为"首选"。一次存档无法凭空制造一条可信经验——这是防止记忆"自我吹嘘"的设计。

另外两点很贴心：若旁边存在graph.json，经验会按社区（主题）分组展示，同时自动剔除代码中已不存在的节点（经验不会指向已删除的函数）；LESSONS.md 被刻意放在reflections/而非 wiki 目录，因为graphify export wiki每次运行都会清空wiki/*.md，放错地方经验文件就会被覆盖（设计说明见 graphify/reflect.py）。

git 钩子自动保鲜：会话开始只需一条命令

安装钩子后（graphify install），每次 git 提交都会自动重跑一次 reflect，让 LESSONS.md 与代码库保持同步（钩子实现见 graphify/hooks.py）。

因此在会话开始时，agent 只需执行：

graphify reflect --if-stale

--if-stale会对比 LESSONS.md 与所有输入文件的修改时间，如果钩子刚刚刷新过它就直接跳过——所以"每次会话都跑一遍"的额外成本几乎为零。完整用法示例见 README.md。

学习覆盖层：.graphify_learning.json 是什么

当 reflect 同时拿到图谱文件时，还会在graph.json旁边写一个派生覆盖层.graphify_learning.json：为每个优选/待验证/有争议的节点记录状态、得分、来源轨迹（最近 5 条问答），并用源码文件的内容哈希做"新鲜度指纹"——文件一改，对应经验自动标记为stale，提示"代码变了，请重新验证"（覆盖层实现见 graphify/reflect.py）。

注意它只是只读投影：graph.json本身这份"结构事实"永远不被写入学习字段，经验与结构严格分离，删除覆盖层即可完全回退。

相关源码与文档清单

新手常见疑问 💬

Q：不装 git 钩子能用吗？能。手动跑graphify reflect即可，--if-stale只是让重复运行更省。

Q：LESSONS.md 需要人工维护吗？不需要。它是自动生成物，人工想留经验应写入save-result存档，再让 reflect 聚合。

Q：记忆会无限膨胀吗？时间衰减让旧信号自动"褪色"，且代码中已删除的节点会从经验中剔除，记忆层随代码演进自然瘦身。

一句话总结：save-result记住每一次问答的成败，reflect把它们蒸馏成一份带时间权重的经验清单——graphify 由此从"静态知识图谱"升级为"会自我修正的知识图谱"。

【免费下载链接】graphifyTurn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.项目地址: https://gitcode.com/GitHub_Trending/graph/graphify