Graphify vektör RAG'ı deterministik kod graflarıyla değiştiriyor; RepoBuddy da bunun getirisini gösteriyor

17 Ekim'de dev.to'da yayımlanan iki yazı net bir tez ortaya koyuyor: kod tabanları kendi yapılarını zaten ortaya koyuyor, dolayısıyla LLM bağlamını vektör aramasıyla getirmek, statik analizin ücretsiz okuyabileceği ilişkileri yeniden türetmek için token harcamak demek. Yazılardan biri, bir depoyu deterministik, sorgulanabilir bir bilgi grafa dönüştüren açık kaynak bir araç olan Graphify'ı tanıtıyor. Diğeri ise, hiç açmadıkları bir depoda ilk kez katkıda bulunacaklara nereden başlamaları gerektiğini söyleyen, Graphify üzerine kurulu bir Hacktoberfest projesi olan RepoBuddy'yi belgeliyor.

Graphify ne inşa ediyor

MIT lisansıyla yayımlanan Graphify, kodu embedding yerine statik analizle ayrıştırıyor. Tanıtım yazısına göre dört bilgi katmanı çıkarıyor: AST ayrıştırmadan kod yapısı (fonksiyonlar, sınıflar, importlar), SQL DDL ve migration'lardan veritabanı şemaları, ortam değişkenleri ve feature flag'ler gibi yapılandırma değerleri arasındaki ilişkiler ve docstring ile README bölümleri gibi dokümantasyona giden bağlantılar. Ortaya çıkan graftaki kenarlar — çağrı, import, tanımlar, referans — açıkça etiketlenmiş durumda; hiçbir embedding modeli veya vektör depo devrede değil.

Ayrıştırıcı kutudan çıktığı haliyle Python, JavaScript, TypeScript, Go ve Rust'ı, ayrıca Postgres, MySQL ve SQLite DDL'ini destekliyor. Her şey yerelde çalışıyor: tek seferlik bir ayrıştırma önbelleğe alınıyor ve sonraki sorgular grafiği uzak API çağrısı olmadan geziniyor. Graphify ayrıca Claude Code, Cursor ve Codex gibi yapay zekâ kodlama asistanları için bir skill olarak geliyor; bir trace komutu bir fonksiyon düğümünü buluyor, çağrı kenarlarını izliyor ve geliştiricinin kabaca 400–800 token olarak ölçtüğü bir alt graf döndürüyor.

Maliyet tartışması

Yazının ana tezi ekonomik. Geleneksel bir vektör hattı bir sorguyu embed eder, 10–20 örtüşen parça geri çeker ve prompt'a 8.000 tokenı aşan getirilen bağlamı besler; her takip sorusu için süreci yineler. 50.000 satırlık bir kod tabanında embedding'leri güncel tutmak günde tahminen 2–5 dolar tutuyor. Bir Graphify gezinimi ise tipik olarak bunun yerine 300–600 token döndürüyor.

Geliştiricinin kendi yürüttüğü bir kıyaslamada — 50.000 satırlık bir Python/TypeScript monorepo üzerinde 200 sorgu, aynı GPT-4-turbo prompt'larını kullanan LangChain + ChromaDB getirme yığınına karşı — bağlam tüketiminde yüzde 85–92'lik bir azalma bildiriliyor. Önerilen hibrit desen önce graf gezinimini çalıştırıyor, graf üçten az sonuç döndürdüğünde yalnızca o zaman vektör aramasına düşüyor ve graf topolojisini önbelleğe alınmış bir prompt önekine sabitleyerek onlarca sorgu boyunca yeniden kullanılabilir hale getiriyor. Geliştirici bu bileşimi, önbelleksiz 4,20 dolara karşı 50 sorguluk oturum başına kabaca 0,40 dolar olarak fiyatlıyor. Bunlar bağımsız bir kıyaslama değil, tek bir kurulumdan geliştiricinin kendi ölçümleri; ama mekanizma — kesin, önbelleğe alınabilir getirim — yüzdeler ne olursa olsun geçerliliğini koruyor.

Graf'ların kazandığı ve kazanmadığı yerler

Yazı, graf'ların semantik aramanın yerini almadığını kabul ediyor. Vektör RAG hâlâ ödeme dolandırıcılığıyla ilgili kod bulma gibi kavramsal sorgularda, gevşek yapılandırılmış ya da yoğun metaprogramlanan kod tabanlarında ve düz yazı dokümantasyon arasında bulanık eşleştirmede daha iyi. Graf'lar ise sorular yapısal veya gezinimsel olduğunda — bunu kim çağırıyor, ya da veri bir API uç noktasından bir tabloya nasıl akıyor — ve token bütçesi dar olduğunda kazanıyor.

RepoBuddy: fikrin pratiğe dökülmüş hali

Vadodara'daki Hacktoberfest Hack Day'de üç kişilik bir ekip — Omkumar Vaghela, Soham Kanakhara ve yazının yazarı — RepoBuddy'yi her yeni katkıcının sorduğu sorunun etrafında inşa etti. Bir GitHub URL'si yapıştırıyorsunuz ve araç depoyu sığ şekilde klonluyor, API maliyeti olmadan tree-sitter ile bir graf oluşturuyor ve bir özet raporu ile etkileşimli bir graf görünümü üretiyor. Her soru yalnızca ilgili alt grafı döndürüyor ve bu, yalnızca graftan yanıt vermesi ve her zaman gerçek dosya yollarını belirtmesi talimatıyla Gemma 4'e gidiyor (varsayılan olarak Ollama Cloud'da gemma4:31b, başarısızlıkta Ollama'ya düşen isteğe bağlı bir Gemini API yoluyla). Bir soruya hiçbir düğüm uymazsa, yanıt yalnızca rapordan veriliyor.

Yazıda dikkat çekici mühendislik ayrıntıları da var: aynı depo için eşzamanlı istekler tek bir korunmuş klon görevini paylaşıyor ve model hataları her iki hata nedenini de ortaya koyuyor. Ön yüz, Render üzerinde bir FastAPI arka ucuyla Cloudflare Pages'da barındırılan statik bir Next.js sitesi; ayrıca Graphify Cloud'un barındırılan MCP'sini doğrudan sorgulayan bir beta modu var — özgün Graphify yazısında hiç bahsedilmeyen bir barındırılan hizmet. Kabul edilen kusur ise Render'ın geçici ücretsiz diski: yeniden başlatmada eşlenen depoları siliyor ve istemciyi yeniden eşlemeye zorluyor.

Neden önemli

Bağlam, kodlama ajanlarındaki bağlayıcı kısıt ve gereksiz getirime harcanan her token, sınır modeli fiyatlarıyla faturalanan akıl yürütme için kullanılamayacak bir token. Kod, bilgi kaynakları arasında olağan dışıdır çünkü ilişkileri açık ve makine tarafından okunabilir durumdadır; bu da geliştirici sorularının büyük bir sınıfı için deterministik getirmi hem benzerlik aramasından daha ucuz hem de daha isabetli kılar. Graphify'ı en iyi bir tamamlayıcı katman olarak okumak gerekir: graftan kesin yapı, gerektiğinde embedding'lerden semantik. RepoBuddy, yaklaşımın gerçek bir oryantasyon sorununu çözdüğünü gösteriyor; kıyaslamalar geliştiricinin kendi ölçümleri olsa da, yapısal getirim ile agresif prompt önbellekleme kombinasyonunu, yükselen RAG faturası olan her ekip kendisi için test edebilir.