Graphify vs Karpathy LLM Wiki: два пути к базе знаний
Есть две вещи, которые стоит знать прежде чем читать очередное сравнение Graphify и Karpathy LLM Wiki.
Первая: они не конкуренты. Вторая: понять это с первого раза почти невозможно, потому что на поверхности оба инструмента действительно решают одну задачу — превратить кучу материалов в базу знаний, с которой можно работать. Но то, что происходит под капотом, принципиально разное.
Что именно сравниваем
Graphify — open-source скилл для AI-агентов (Claude Code, Codex, Cursor, Gemini CLI). Устанавливается как Python-пакет, строит граф связей из кода, документов и медиафайлов, отдаёт агенту карту вместо сырых файлов.
Karpathy LLM Wiki — не продукт и не пакет. Это метод: позволить LLM поддерживать живую вики из markdown-страниц, которая растёт, обновляется и накапливает знания со временем. Опубликован Андреем Карпати 4 апреля 2026 года в виде llm-wiki.md на GitHub.
Оба отличаются от классического RAG — они не бросают файлы в систему и не ищут чанки при каждом вопросе. Но оптимизируют они для разного.
Graphify — граф сначала: структура как основа для навигации агента.
LLM Wiki — вики сначала: смысл как накапливаемый живой артефакт.
Первая путаница: Graphify и его имя
Если начать с установки, первое что собьёт с толку — разрыв в именах. Пакет в PyPI называется graphifyy (с двумя «y»), но CLI-команда и скилл в агенте — graphify. То есть:
pip install graphifyy # или: uv tool install graphifyy
graphify install # регистрация в Claude Code
/graphify . # запуск сборки графаЭто не просто опечатка. Это сигнал о природе инструмента: Graphify — не просто библиотека. Это workflow для агентных сред. Его ценность не в API, а в том, что происходит внутри сессии агента.
Подробнее об архитектуре и командах: Graphify — граф знаний для AI-агентов.
Что на самом деле решает каждый инструмент
Graphify: карта для агента
Суть Graphify — это ответ на конкретную боль: агент при каждом запросе читает десятки файлов с нуля, тратит сотни тысяч токенов только чтобы понять, где вообще лежит нужная функция. Это full table scan там, где нужен индекс.
Graphify строит граф в два прохода:
- AST-проход через tree-sitter — парсит 28+ языков программирования без единого токена
- Семантический проход — LLM извлекает связи из документов, PDF, изображений
Выход: graph.json, GRAPH_REPORT.md, graph.html. Агент получает карту — и только потом, если нужно, лезет в файлы.
Три причины, почему это работает:
Структура до вопроса. Не бросать файлы в систему и надеяться, что retrieval найдёт правильный чанк. Сначала построить связи, потом запрашивать через ноды, сообщества и пути.
Разграничение факта и вывода. Graphify помечает рёбра графа как EXTRACTED, INFERRED или AMBIGUOUS. Это важно: красивый граф легко воспринимается как истина в последней инстанции, хотя часть рёбер — только разумные гипотезы.
Агент видит карту раньше материала. PreToolUse hook в Claude Code срабатывает перед каждым Glob или Grep и напоминает: «Есть граф знаний. Посмотри сначала GRAPH_REPORT.md». Агент переориентируется с одной страницы вместо двадцати файлов.
Karpathy LLM Wiki: энциклопедия для человека
Karpathy описывает проблему иначе. Большинство людей не страдают от нехватки информации. Они страдают от нехватки среднего слоя, который накапливался бы, оставался актуальным и превращал разрозненное чтение в долгосрочный актив.
Метод простой: не заставляй LLM переоткрывать знания из сырых документов при каждом вопросе. Пусть он поддерживает связанную вики, интегрирует новые источники в существующие страницы, исправляет устаревшие утверждения, добавляет кросс-ссылки.
Ключевая идея: вики — это персистентный артефакт. Знание компилируется один раз и хранится. Не воссоздаётся при каждом запросе.
Сила метода — не в том, как выглядит граф. В том, становится ли база знаний плотнее и полезнее с каждым использованием. Когда изучаешь тему неделями, нужен не способ быстрее найти один абзац. Нужен способ быстрее увидеть текущий тезис, конкурирующие позиции и то, как понятия уже связаны между собой. С этим справляется вики, а не граф.
Настоящее разделение: кто первичный читатель
Если смотреть только на buzzwords, оба инструмента выглядят как «системы организации знаний». Но реальная линия раздела другая.
| Graphify | Karpathy LLM Wiki | |
|---|---|---|
| Первичный читатель | AI-агент | Человек |
| Продукт | Граф с узлами, сообществами, путями | Страницы, нарратив, индексы, логи |
| Ценность | Структура, пригодная для навигации и суммаризации | Растущая, интерпретируемая база понимания |
| Аналогия | Карта для агента | Энциклопедия для человека |
| Где накапливается ценность | В graph.json | В связях между markdown-страницами |
| Срок жизни знания | Пока не изменилась структура кода/корпуса | Бессрочно, обновляется инкрементально |
Graphify работает лучше, когда главный потребитель знания — агент, которому нужно понять структуру за минимальное количество токенов.
LLM Wiki работает лучше, когда главный потребитель знания — человек, которому нужно видеть текущее состояние темы, разрешённые и неразрешённые противоречия, историю того, что было передумано.
Четыре вопроса для выбора
Это не академическая классификация. Это практические развилки, которые реально разводят инструменты по разные стороны.
1. Кто первичный пользователь — агент или человек?
Если пишете инструмент, где агент должен ориентироваться в большом корпусе, разбираться в архитектуре незнакомого репозитория или эффективно находить нужные связи — Graphify.
Если строите личную базу знаний, исследовательский vault, командную вики, куда регулярно заходят люди — LLM Wiki.
2. Мультимодальный и разнородный контент или преимущественно текстовые заметки?
Graphify работает с кодом + документами + PDF + изображениями + видео в одном пайплайне. Если у вас смешанный корпус с чёткой структурой — это его территория.
Karpathy LLM Wiki оптимизирован для текста: статьи, транскрипты, заметки, ссылки. Смысловые связи важнее форматных.
3. Нужны прослеживаемые связи или читаемый синтез?
«Покажи путь от UserService до DatabasePool» — Graphify.
«Покажи текущий консенсус по теме X и где он противоречит источнику Y» — LLM Wiki.
4. Главная боль — повторный retrieval или повторная организация?
Если каждый вопрос заставляет систему заново читать большой корпус сырых материалов — Graphify устраняет это напрямую.
Если знания существуют в разрозненных чатах, заметках, файлах и никогда не превращаются в долгосрочный актив — LLM Wiki приносит больше ценности.
Самое интересное: они уже движутся навстречу друг другу
Здесь начинается то, что не очевидно из поверхностного сравнения.
Karpathy LLM Wiki пытается компилировать знание в поддерживаемую вики. Graphify уже предлагает wiki-style output — то есть превращает граф в нечто похожее на вики-страницы. Два инструмента, которые выглядят как конкуренты, на самом деле сближаются.
/graphify . --obsidian # экспорт Obsidian vault из графа
/graphify . --wiki # markdown-вики из графаЭто значит: граф знаний и вики знаний — не конкурирующие форматы. Это соседние слои.
Корпус (код, доки, медиа)
↓
Graphify: граф структуры → быстрая навигация для агента
↓
LLM Wiki: синтез страниц → накопление понимания для человека
Graphify помогает превратить гетерогенный корпус в навигируемую структуру: быстро выявить сообщества, центральные ноды, ключевые связи, дать агенту практическую карту.
LLM Wiki берёт эти структуры и поддерживает страницы высокой ценности, которые люди могут читать, обсуждать и развивать.
Одна сторона — про извлечение и навигацию. Другая — про синтез и накопление.
Конкретные сценарии
Сценарий А: онбординг в легаси-репозиторий
Вам дали чужой проект. Нужно за день понять архитектуру: где авторизация, как данные движутся от API до базы, что такое god-ноды.
→ Graphify. Один запуск, GRAPH_REPORT.md, интерактивный граф в браузере. Агент с graphify path "AuthMiddleware" "Database" находит ответ за один запрос вместо двадцати чтений.
Сценарий Б: личная исследовательская база
Вы изучаете тему 3 месяца: читаете статьи, смотрите видео, делаете заметки. Нужно, чтобы это накапливалось, а не терялось в старых чатах.
→ LLM Wiki. Каждый новый источник интегрируется в существующие страницы. Через месяц есть плотная сеть связанных концепций с историей пересмотров, а не папка с файлами.
Сценарий В: AI-агент для кодовой базы + документация решений
Код эволюционирует, агенты помогают, но контекст теряется между сессиями. Нужна и навигация по коду, и память о решениях.
→ Оба. Graphify даёт агенту карту структуры. LLM Wiki (или Obsidian vault) хранит log.md — что было решено, почему, что изменилось. Классическая связка Obsidian + Graphify.
Сценарий Г: быстрый поиск по большому исследовательскому корпусу
Несколько сотен PDF, статей, транскриптов — и нужно быстро находить связи между понятиями.
→ Graphify для первичной навигации (особенно если корпус мультимодальный), LLM Wiki для синтеза в читаемые страницы после первичного прохода.
Что выбрать сегодня
Если нужен один совет:
| Задача | Инструмент |
|---|---|
| Агент должен понять большую кодовую базу или корпус | Graphify |
| Личная/командная база знаний, которая растёт месяцами | Karpathy LLM Wiki |
| Онбординг в незнакомый проект | Graphify |
| Исследование темы с накоплением понимания | LLM Wiki |
| Мультимодальный корпус (код + PDF + изображения) | Graphify |
| Преимущественно текстовые источники и заметки | LLM Wiki |
| Максимальная экономия токенов при ответах агента | Graphify |
| Долгосрочный актив, понятный человеку | LLM Wiki |
Главный тезис
Сильнейшие системы управления знаниями будут иметь оба слоя.
Только граф — агент навигирует эффективно, но люди не получают читаемого нарратива. Только вики — люди понимают, но агент не может эффективно её обходить.
Graphify — это не замена Karpathy LLM Wiki. Karpathy LLM Wiki — это не упрощённая версия Graphify. Они отвечают на разные подвопросы внутри одной большой задачи: как сделать так, чтобы знание накапливалось и оставалось доступным — и для машины, и для человека.
Связанное
- Graphify — граф знаний для AI-агентов — полный технический разбор
- Claude Code с памятью: Obsidian + Graphify — как объединить оба подхода
- Karpathy Skills — четыре принципа — поведенческие принципы из того же источника
- Андрей Карпати: от вайб-кодинга к агентной инженерии
Источник: ai-chain.tw — 2 Knowledge Graph Paths + 4 Selection Questions · опубликовано 08.04.2026
Raw: raw