Quem programa com LLM sabe que o gargalo hoje não é o modelo, e também não é saber programar. É o agente se perder na arquitetura do projeto.
As duas saídas comuns são ruins. Jogar o codebase inteiro na janela de contexto queima tokens e ainda deixa a IA alucinando sobre imports que não existem e dependências circulares que ela não enxerga. Montar um RAG tradicional com busca vetorial troca isso por chunks aproximados de um índice que envelhece. O Graphify resolve por outro caminho: transforma o repositório num grafo de conhecimento.
O que muda: parsing determinístico, não embedding
O Graphify mapeia o ecossistema de código usando parsing determinístico via árvore sintática (AST). Ele não adivinha relações com embeddings genéricos — ele mapeia com precisão: qual classe herda de quem, quais funções importam e executam em quais módulos, e como o código se conecta a schemas SQL, documentos Markdown, ADRs e até PDFs soltos no repositório.
A diferença prática aparece na hora da consulta. Em vez de despejar dezenas de arquivos na memória do agente, o Graphify entrega apenas o subgrafo exato do problema. A IA pergunta ao grafo onde o problema mora, e recebe a região que dá match — em vez de sair varrendo o código inteiro com grep e carregar tudo no contexto.
Roda 100% local, o que resolve a questão da privacidade, e se conecta a Claude Code, Cursor, Codex, GitHub Copilot e Gemini CLI — qualquer assistente ao qual você queira ligar as ferramentas.
Setup e indexação
A instalação é por CLI, e o próprio agente resolve para você: se estiver usando Claude Code, basta apontar o repositório do Graphify e pedir para instalar — ele se auto-configura quando você dá as permissões, registrando o servidor MCP no assistente escolhido. Depois é rodar a indexação dentro do repositório que você quer mapear, e as consultas passam a estar disponíveis para o agente.
As duas consultas que resolvem o dia a dia
explain— para entender as dependências de um módulo: mostra todos os nós conectados àquela entidade.path— para descobrir como um endpoint da API chega até uma tabela específica do banco: ele traça o caminho entre os dois pontos.
São perguntas que, feitas direto à IA sem o grafo, custam muito mais token do que a consulta equivalente — e vêm com menos certeza.
O teste de estresse: um legado de 20 anos
No vídeo eu abro o grafo de um projeto de servidor de jogo com duas décadas de código acumulado: quase 30 mil nós, 70 mil arestas e 1.397 comunidades. É o tipo de repositório em que a máquina sente — a minha, com 64 GB de RAM, começa a arrastar só de renderizar o grafo.
E é justamente esse o ponto: imagine pedir para um agente encontrar alguma coisa aí dentro sem nenhuma estrutura prévia. O consumo de tokens explode antes de a resposta chegar.
Serve mesmo se você não usa IA
Essa é a parte que costuma passar batida. Se você chegou numa empresa e precisa entender como funciona o sistema legado para dar manutenção, ter esse mapa navegável — clicar num arquivo e ver dependência por dependência, quem chama quem, onde aquilo se conecta — ajuda muito, com ou sem agente por cima.
O resultado prático de usar o grafo com um agente é consumo de token menor, respostas mais assertivas e praticamente zero alucinação sobre a estrutura do sistema. Modelo continua podendo alucinar sobre outras coisas — mas a estrutura passa a vir de uma fonte sólida. Na prática, isso também estica a sessão: você mantém as informações corretas no contexto por muito mais tempo antes de precisar recomeçar.
Onde encontrar
O Graphify é open source: github.com/Graphify-Labs/graphify.
O passo seguinte natural é combinar o grafo com memória persistente, para que os achados de uma sessão não se percam na próxima — é sobre isso o artigo do Engram. E se a sua dúvida era se valia a pena montar um RAG para o seu código, a resposta está em RAG no Claude Code: quando vale a pena.
Deixe um comentário