Graphify: เครื่องมือกราฟความรู้โอเพนซอร์ส ประหยัดโทเค็นได้ 71.5 เท่า ใช้เวลาเพียง 48 ชั่วโมงในการสร้างคลังความรู้ของ Kardsharing ให้สมบูรณ์

Graphify: เครื่องมือสร้างกราฟความรู้แบบโอเพนซอร์ส ประหยัดโทเคนได้ 71.5 เท่า และสร้างคลังความรู้อัตโนมัติแบบสมบูรณ์

ความเร็วในการพัฒนาของวงการ AI น่าทึ่งมาก ภายในเวลาเพียง 48 ชั่วโมงหลังจากที่ Karpathy แชร์วิธีการสร้างคลังความรู้ส่วนตัวของเขา ชุมชนโอเพนซอร์สก็ได้ปล่อยโซลูชันที่ใช้งานได้จริงออกมา

Graphify เป็นเครื่องมือสร้างกราฟความรู้ที่ทำงานได้แบบไม่ต้องตั้งค่า (Zero-config) รองรับข้อมูลทุกรูปแบบ (Multi-modal) และสามารถรันได้บนเครื่องท้องถิ่น ด้วยความสามารถในการประหยัดโทเคนอย่างมีประสิทธิภาพ ทำให้ได้รับดาวบน GitHub มากกว่า 2,000 ดวงในเวลาอันรวดเร็ว

เครื่องมือนี้ไม่เพียงแต่สร้างกราฟความรู้แบบโต้ตอบได้อัตโนมัติ พร้อมฟังก์ชัน Backlink และการติดตามความสัมพันธ์ แต่ยังช่วยประหยัดการใช้โทเคนได้สูงสุดถึง 71.5 เท่า ซึ่งเป็นการยกระดับเวิร์กโฟลว์ “วิธีการจดโน้ตดั้งเดิม” ที่เคยเป็นที่นิยม ให้ก้าวเข้าสู่ขั้นตอนใหม่ที่สมบูรณ์และเป็นอัตโนมัติ

จากเวิร์กโฟลว์แบบแมนนวล สู่กราฟอัตโนมัติแบบสมบูรณ์

วิธีการสร้างคลังความรู้ที่ได้รับความสนใจก่อนหน้านี้ มีแนวคิดหลักอยู่ที่เวิร์กโฟลว์แบบเบา: นำข้อมูลดั้งเดิมเก็บไว้ในไดเรกทอรีเฉพาะ ใช้โมเดลภาษาขนาดใหญ่ (LLM) สร้างเอกสารที่มีการอ้างอิงข้ามกันอัตโนมัติ และบำรุงรักษาเป็นประจำเพื่อสร้างระบบความรู้ที่เติบโตอย่างต่อเนื่อง

แม้แนวคิดจะฉลาดล้ำ แต่ในการใช้งานจริงยังมีจุดที่ต้องปรับปรุง: โฟลเดอร์ข้อมูลดั้งเดิมต้องจัดระเบียบและจัดหมวดหมู่ด้วยตนเอง การอ่านไฟล์ดั้งเดิมซ้ำๆ ทำให้ใช้โทเคนสูง และกระบวนการทั้งหมดยังไม่ได้ถูกพัฒนาเป็นเครื่องมือ ทำให้ขั้นตอนการทำงานค่อนข้างยุ่งยาก

Graphify ได้ทำการอัปเกรดเป็นเครื่องมืออย่างเต็มรูปแบบเพื่อแก้ไขจุดบกพร่องเหล่านี้

ประการแรก มันสามารถแปลงไฟล์ทุกรูปแบบให้เป็นกราฟได้อัตโนมัติ ซึ่งขจัดความยุ่งยากในการจัดระเบียบด้วยตนเองไปได้โดยสิ้นเชิง ไปป์ไลน์การประมวลผลข้อมูลหลายรูปแบบแบบรวมศูนย์ที่ติดตั้งมาภายใน สามารถวิเคราะห์แยกประเภทไฟล์ต่างๆ ได้อัตโนมัติ:
* ไฟล์โค้ด: แยกข้อมูลโครงสร้างโดยตรงผ่านตัวแยกวิเคราะห์ AST (tree-sitter) ในเครื่อง
* เอกสาร (PDF, Markdown เป็นต้น): แยกข้อความและหน่วยความหมายอัตโนมัติ
* รูปภาพ (ภาพหน้าจอ, ผังงาน เป็นต้น): เรียกใช้โมเดลวิเคราะห์ภาพ (เช่น Claude Vision) เพื่อดึงแนวคิดและระบุความสัมพันธ์

กระบวนการทั้งหมดไม่ต้องการการประมวลผลล่วงหน้าหรือการจัดหมวดหมู่โดยมนุษย์ ผู้ใช้เพียงแค่นำไฟล์ใส่ลงในโฟลเดอร์เป้าหมายเท่านั้น

เทคโนโลยีหลัก: กระบวนการสองขั้นตอนและการปรับปรุงการใช้โทเคนให้มีประสิทธิภาพสูงสุด

Graphify ใช้กระบวนการสองขั้นตอนที่ผสมผสานระหว่าง “การแยกวิเคราะห์ AST ในเครื่อง” และ “การดึงความหมายโดยเอเจนต์ย่อย LLM แบบขนาน”การปรับปรุงการใช้โทเคน 71.5 เท่า

1. การดึงข้อมูลในเครื่องแบบกำหนดได้ (Deterministic): สำหรับไฟล์โค้ด จะทำการแยกวิเคราะห์ AST ภายในเครื่องทั้งหมดโดยไม่เรียกใช้ LLM และไม่ใช้โทเคนใดๆ
2. การดึงความหมายอัจฉริยะ: จะเรียกใช้เอเจนต์ย่อย LLM แบบขนานเพื่อดึงความหมายเพียงครั้งเดียวสำหรับเนื้อหาที่ไม่ใช่โค้ด (เช่น เอกสาร รูปภาพ) เท่านั้น พร้อมกันนี้ เครื่องมือใช้กลไกแคช SHA256 ซึ่งในการรันซ้ำจะประมวลผลเฉพาะไฟล์ที่เปลี่ยนแปลงเท่านั้น เพื่อหลีกเลี่ยงการคำนวณซ้ำ

ในสถานการณ์ทดสอบแบบผสมผสานที่มีไฟล์โค้ด งานวิจัยทางวิชาการ รูปภาพ รวมทั้งหมด 52 ไฟล์ Graphify สามารถลดการใช้โทเคนต่อการค้นหาแต่ละครั้งได้ 71.5 เท่า เมื่อเทียบกับการอ่านไฟล์ดั้งเดิมโดยตรง

ใช้งานได้ทันทีและโปร่งใส น่าเชื่อถือ

การออกแบบของ Graphify มุ่งสู่ความเรียบง่ายสูงสุด ไม่ต้องตั้งค่าฐานข้อมูลเวกเตอร์ ไม่ต้องคำนวณ Embedding และไม่ต้องตั้งค่าที่ซับซ้อน ทำให้ใช้งานได้จริงทันที

การจัดกลุ่มชุมชน (Community Clustering) ขึ้นอยู่กับโครงสร้างโทโพโลยีของกราฟ โดยใช้อัลกอริทึม Leiden ซึ่งไม่ขึ้นอยู่กับการฝังเวกเตอร์ (Vector Embedding) ผู้ใช้เพียงแค่รันคำสั่งเดียวในไดเรกทอรีเป้าหมาย (/graphify .) ก็สามารถสร้างคลังความรู้ที่สมบูรณ์ได้ในคลิกเดียว ซึ่งประกอบด้วยกราฟ HTML แบบโต้ตอบ รายงานการวิเคราะห์ และไฟล์ข้อมูลถาวร

นอกจากนี้ Graphify ยังเพิ่มคำอธิบายประเภทที่ชัดเจน (เช่น ดึงจากต้นฉบับ, คาดคะเนโดยโมเดล) และระดับความเชื่อมั่นให้กับความสัมพันธ์ทุกอย่างในกราฟ ซึ่งช่วยรับประกันความโปร่งใสของแหล่งที่มาของความรู้และความน่าเชื่อถือของผลลัพธ์

การติดตั้งและการใช้งาน

Graphify รันได้บนทุกแพลตฟอร์ม ในสภาพแวดล้อม Python 3.10 ขึ้นไป สามารถติดตั้งได้ด้วยคำสั่งต่อไปนี้ (ชื่อแพ็กเกจบน PyPI ปัจจุบันคือ graphifyy):
bash
pip install graphifyy && graphify install

สำหรับแพลตฟอร์มเฉพาะ (เช่น Claw) สามารถใช้พารามิเตอร์แพลตฟอร์มเพื่อติดตั้ง:
bash
graphify install --platform claw

ข้อควรทราบเกี่ยวกับแพลตฟอร์ม:
* ผู้ใช้ Codex: ต้องเปิดใช้งาน multi_agent = true ในส่วน [features] ของไฟล์การตั้งค่า (~/.codex/config.toml) เพื่อเปิดใช้งานโหมดเอเจนต์ย่อย LLM แบบขนาน
* ผู้ใช้ OpenClaw: แพลตฟอร์มนี้ยังอยู่ในช่วงเริ่มต้นของการสนับสนุนเอเจนต์หลายตัวแบบขนาน ปัจจุบันรองรับเฉพาะโหมดการดึงข้อมูลแบบลำดับเท่านั้น

หลังจากติดตั้งเสร็จสิ้น ให้เข้าไปยังไดเรกทอรีเป้าหมายและรันคำสั่ง /graphify . เพื่อเริ่มต้นการสร้าง

หลังจากรันคำสั่งแล้ว จะมีไฟล์ graph.html ถูกสร้างขึ้นในไดเรกทอรีปัจจุบัน เปิดในเบราว์เซอร์เพื่อเรียกดูกราฟความรู้แบบโต้ตอบได้

Graphify ยังรองรับฟังก์ชันการใช้งานที่เป็นประโยชน์อื่นๆ อีก:
* โหมดติดตาม --watch: ตรวจสอบการเปลี่ยนแปลงของไฟล์โค้ดแบบเรียลไทม์และทริกเกอร์การแยกวิเคราะห์ AST ใหม่ อัปเดตกราฟอัตโนมัติ
* การผสานรวมกับ Git Hooks: สามารถสร้างกราฟใหม่อัตโนมัติหลังจากคอมมิตโค้ดหรือสลับสาขา (Branch)
* การอัปเดตแบบเพิ่มเติม --update: เมื่อเพิ่มข้อมูลใหม่ จะอัปเดตเฉพาะโหนดและความสัมพันธ์ที่เกี่ยวข้องเท่านั้น ไม่จำเป็นต้องสร้างกราฟทั้งหมดใหม่ ทำให้คลังความรู้สามารถเติบโตได้อย่างต่อเนื่อง

ผู้พัฒนา Graphify คือ Safi Shamsi ซึ่งเป็นนักวิจัย AI ของบริษัท Valent ในลอนดอน

สรุป

จากแนวคิดสู่เครื่องมือที่ใช้งานได้สมบูรณ์ ใช้เวลาเพียง 48 ชั่วโมง การปรากฏตัวของ Graphify ไม่เพียงแต่เป็นการนำวิธีการจัดการความรู้มาปฏิบัติจริงทางวิศวกรรม แต่ยังยืนยันอีกครั้งถึงความสามารถในการตอบสนองและนวัตกรรมที่น่าทึ่งของชุมชนโอเพนซอร์ส

ที่อยู่โปรเจกต์: https://github.com/safishamsi/graphify/blob/v3/README.zh-CN.md

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง

☕ สนับสนุนค่ากาแฟทีมงาน

หากคุณชอบบทความนี้ สามารถสนับสนุนเราได้ผ่าน PromptPay

SCAN TO PAY WITH ANY BANK