載入中...
載入中...
Threads 作者實測 codebase-memory-mcp 與 graphify：graphify 帳面 token 省更多，但在字串/prompt 類問題上漏答；codebase-memory-mcp 因有全文檢索搭配 graph，6 題全對。本文查核 GitHub metadata 並整理導入評估框架。
aihub.tw 分享近期常用 Claude skills：caveman、graphify、codeburn、claude video、open design、browser-harness、gsap，另補 seedance2-skill、taste-skill、hyperagent-public-skills 等待測工具。這篇重點不是單一 skill，而是 Claude Code / AI coding agent 工作流正在模組化：省 token、建立 codebase 記憶、觀測成本、理解影片、生成一致設計、穩定瀏覽器自動化與正確動畫語法。
這則 Threads 最值得記錄的，不是在否定 Graphify，而是指出 graph-based code understanding 的真正限制：程式碼是高度動態、持續新增與 refactor 的資料，因此知識圖譜若不能建立在 LSP、AST、ripgrep 等原生語義與關聯之上，容易很快退化成過時快照。
這則 Threads 真正值得記錄的，不只是 Graphify 省 token，而是它代表一種新的 codebase understanding 路線：面對大型 repo，與其把全文硬塞進 context，不如先把檔案、符號、依賴與關係結構化成 graph，再基於圖做檢索與推理。
這則 Threads 最有價值的地方，是把小說創作與 codebase understanding 這兩個看似無關的場景，收斂到同一個本質問題：當歷史與依賴關係超出 context window，AI 真正需要的不是更長上下文，而是可維護、可查詢、可追蹤關聯的 structured memory layer。
Graphify 技術拆解：從 Karpathy 的 raw/wiki 工作流走向多模態知識圖譜編譯器
Graphify：把 Karpathy 的 LLM Wiki 概念做成可直接上手的知識圖譜工具，主打 71.5 倍 token 節省