企业官网建设流程全解析

graphify 图库导出与基准压测完全指南：Wiki、Neo4j、FalkorDB、SVG/GraphML 与 MCP 实时查询服务

【免费下载链接】graphifyTurn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.项目地址: https://gitcode.com/GitHub_Trending/graph/graphify

在 graphify 的标准工作流（/graphify <path>及各平台 skill）中，建图完成之后还有一组"锦上添花"的可选步骤：把 graph.json 沉淀为 Agent 可爬取的 Wiki、推送到 Neo4j / FalkorDB 图数据库、导出可嵌入文档的 SVG 与可做可视化分析的 GraphML，或启动一个 MCP stdio 服务让其他 Agent 实时查询知识图谱，并配合 token 缩减基准来量化"图带来的上下文收益"。本文以仓库内用于生成各平台参考手册的共享片段 tools/skillgen/fragments/references/shared/exports.md 为主线，结合 cli.py、exporters/graphdb.py、serve.py、benchmark.py 的源码实现，逐条讲清每条导出命令的触发条件、命令形态、参数默认值与落地产物，读完即可在自己的项目上直接复现整条导出链路。

触发前提：只有显式传参才执行

这些步骤不是默认行为。参考文档开篇就给出了加载条件：只有当用户在某次命令中显式传入了--wiki、--neo4j、--neo4j-push、--falkordb、--falkordb-push、--svg、--graphml、--mcp之一，或语料体量足够大（total_words超过 5,000）需要跑 token 缩减基准时，才进入对应的导出子步骤；每种子步骤只响应自己的 flag，一次无任何导出 flag 的默认运行会跳过全部导出。在 skill-agents.md 的使用示例中可以看到这些 flag 的典型组合：

/graphify <path> --neo4j-push bolt://localhost:7687 # push directly to Neo4j /graphify <path> --falkordb-push falkordb://localhost:6379 # push directly to FalkorDB /graphify <path> --wiki # build agent-crawlable wiki

从 CLI 入口看，导出动作统一收敛为graphify export <format>子命令。在 cli.py 中，export子命令的合法格式包括html、callflow-html、obsidian、wiki、svg、graphml、neo4j、falkordb，其余格式会打印完整用法后退出。默认读取graphify-out/graph.json，可选标签文件默认是graphify-out/.graphify_labels.json，--graph、--labels均可覆盖默认路径。

Step 6b：Wiki 导出（--wiki）

当原始命令显式带--wiki时才执行。这一步必须在 Step 9（清理）之前运行，因为清理会移除仍被导出过程依赖的.graphify_labels.json：

graphify export wiki

落地为graphify-out/wiki/目录。从 cli.py 的wiki分支可以看到两点关键行为：

• 若缺少社区数据（.graphify_analysis.json缺失或为空），CLI 会拒绝导出以防数据丢失，提示先运行graphify extract .或graphify cluster-only .；
• 产物由 wiki.py 的to_wiki()生成：index.md（Agent 入口目录，列出全部文章）+ 每个社区一篇<CommunityName>.md+ 每篇 god node 专文；to_wiki()会对社区成员列表做图内节点过滤，剔除已被去重/裁剪的悬空 ID，避免导出中途崩溃。

graphify export wiki结束后会输出两行提示：Wiki: N articles written to <out>/wiki/以及index.md -> agent entry point，指引 Agent 从wiki/index.md开始爬取。

Step 7：Neo4j 导出（--neo4j/--neo4j-push）

Neo4j 有"生成文件"与"直推实例"两种模式，按传入的 flag 区分。

--neo4j：生成可手工导入的 Cypher 文件

graphify export neo4j

生成cypher.txt，随后用cypher-shell < graphify-out/cypher.txt导入。生成逻辑在 export.py 的to_cypher()中：每个节点一行MERGE (n:Type {id:..., label:...});，每条边先MATCH两端再MERGE关系（携带confidence属性）。采用MERGE意味着重复执行不会产生重复节点/边。值得注意的安全实现：节点标签与关系类型位于 Cypher 的标识符位置（不可转义），因此只允许[A-Za-z0-9_]字符并通过_cypher_label()做白名单清洗、非法值回退到Entity/RELATES_TO；字符串字面量则经_cypher_escape()处理引号、反斜杠与换行，防止恶意标签跳出语句边界注入新的 Cypher（源码注释标记为 F-008 防护）。

--neo4j-push <uri>：直推运行中的 Neo4j

graphify export neo4j --push bolt://localhost:7687 --user neo4j --password PASSWORD

默认 URI 为bolt://localhost:7687，默认用户为neo4j。底层实现在 exporters/graphdb.py 的push_to_neo4j()：它通过 Python driver（需先pip install neo4j）把节点props（附加community字段）以MERGE ... SET n += $props方式 upsert，边以MATCH + MERGE关联并携带属性，全程使用参数化查询与标签白名单防止 Cypher 注入；返回{"nodes": N, "edges": N}计数，CLI 会打印Pushed to Neo4j: ...。

密码安全提示：CLI 参数解析（cli.py）优先读取NEO4J_PASSWORD环境变量（F-031 防护，避免密码出现在ps输出与 shell 历史中），显式的--password仅作覆盖。

Step 7a：FalkorDB 导出（--falkordb/--falkordb-push）

FalkorDB 走 OpenCypher 兼容路径，但语义上与 Neo4j 有一个关键差异：

--falkordb：生成 Cypher 文件（谨慎使用）

graphify export falkordb

与 Neo4j 相同，该模式也是调用to_cypher()生成可移植的cypher.txt。但文档明确提醒：FalkorDB 的GRAPH.QUERY一次只执行一条语句，没有 Neo4jcypher-shell那样的批量脚本导入机制，因此文件产物主要用于保留可移植副本，加载图优先使用直推模式。CLI 在生成后也会打印同样的提示（cli.py）。

--falkordb-push <uri>：直推运行中的 FalkorDB

graphify export falkordb --push falkordb://localhost:6379

默认 URI 为falkordb://localhost:6379。底层实现在 exporters/graphdb.py 的push_to_falkordb()：需要pip install falkordb。它只从 URI 提取 host/port，因此scheme 仅是提示性的——falkordb://localhost:6379、redis://localhost:6379乃至裸写localhost:6379都等价（默认端口 6379）；认证是可选的（FalkorDB 默认无凭据运行），仅当实例要求认证时才向用户询问，且会忽略 Neo4j 风格的默认用户名；目标图名默认为graphify，通过db.select_graph("graphify")选择。写入同样采用MERGE/SET，可安全重复执行。

Step 7b / 7c：SVG 与 GraphML 导出（--svg/--graphml）

graphify export svg graphify export graphml

• graphify export svg调用 export.py 的to_svg()，产物为graph.svg，可按社区着色。CLI 提示它"可嵌入 Obsidian、Notion、GitHub README"等 Markdown 环境。
• graphify export graphml调用 export.py 的to_graphml()，产物为graph.graphml，面向 Gephi、yEd 等桌面可视化/分析工具。

导出路径上同样有健壮性处理：GraphML 序列化要求字符串必须是合法 XML 1.0，导出前会剥离控制字符（_strip_xml_illegal），否则单个含 ANSI 转义或换页符的标签会让整个导出在nx.write_graphml处抛ValueError中止（源码注释标记 #2897）。

Step 7d：MCP 实时查询服务（--mcp）

这是让知识图谱"活起来"的一步——把建好的图暴露为 MCP 工具，供 Claude Desktop 或任何 MCP 兼容的 Agent 编排器实时查询：

$(cat graphify-out/.graphify_python) -m graphify.serve graphify-out/graph.json

graphify-out/.graphify_python是 skill 流程早期写入的绝对解释器路径（见 skill-agents.md），后续所有 Python 调用都应使用$(cat graphify-out/.graphify_python)而非裸python3，确保启用的是能 importgraphify的那套虚拟环境。该命令以 stdio 方式启动 MCP server。

从 serve.py 的list_tools()看，服务暴露的核心查询工具如下表：

除工具外服务还暴露若干graphify://前缀的只读资源（report、stats、god-nodes、surprises、audit、questions，见 serve.py），并把.graphify_labels.json中的社区标签与GRAPH_REPORT.md一并纳入服务上下文。

接入 Claude Desktop：把以下片段合并进claude_desktop_config.json。注意两点约束——Claude Desktop 无法执行$(...)命令替换；且若 graphify 经由uv tool install安装，系统python3无法 import graphify。因此command必须指向cat graphify-out/.graphify_python打印出的绝对解释器路径：

{ "mcpServers": { "graphify": { "command": "<absolute path from: cat graphify-out/.graphify_python>", "args": ["-m", "graphify.serve", "/absolute/path/to/graphify-out/graph.json"] } } }

配置完成后，Claude Desktop 或其他编排器里的 Agent 就能用query_graph/shortest_path等手段"即时提问"，而不必反复对原始文件做 grep 或搬运大段GRAPH_REPORT.md。

Step 8：Token 缩减基准（total_words > 5000时）

当 detect 阶段 输出的graphify-out/.graphify_detect.json中total_words大于 5,000时，运行：

graphify benchmark

把基准输出直接原样粘贴到对话中。若total_words <= 5000则静默跳过——对小语料而言，图的价值在于结构清晰而非 token 压缩，刻意去压测反而制造噪音。CLI 的benchmark分支（cli.py）会自动从.graphify_detect.json读total_words并先做图文件大小上限校验。

基准的原理见 benchmark.py 的run_benchmark()：

• 语料 token 基线：corpus_words来自 detect 结果（缺失时按节点数 × 50词粗估），按约 100 词 ≈ 133 token 折算成"朴素全量喂入"的corpus_tokens；
• 单次查询开销：对 5 个内置示例问题（认证如何工作、主入口在哪、错误如何处理、数据层与 API 的连接、核心抽象是什么），复用_query_graph_text的种子打分 + 3 层 BFS 子图，估算返回上下文 token 数；
• 结论指标：reduction_ratio = corpus_tokens / avg_query_tokens，打印形如Corpus: 8,123 words → ~10,830 tokens (naive)、Avg query cost: ~412 tokens、Reduction: 26.3x fewer tokens per query的报告，并逐条列出每个示例问题的缩减倍数。

各导出形态速查表

源码级要点回顾

• 命令分发：所有导出共用 cli.py 的export分支解析（--graph/--labels/--push/--user/--password），图统一从graph.json经 networkx 的node_link_graph重建；社区数据优先读.graphify_analysis.json，缺失时从节点上的community属性反推，保证 html/obsidian/wiki/svg/graphml/neo4j 不会静默产出残缺产物。
• 社区标签依赖：wiki / obsidian / svg 等会消费.graphify_labels.json里的社区命名，这正是"wiki 须在清理前运行"的原因——标签文件是 LLM/人工整理的非可再生资产。
• 幂等与安全：Neo4j / FalkorDB 写入一律MERGE/SETupsert；字符串经逐类转义、标签/关系类型经白名单化，与 Cypher 注入防护（F-008）和安全密码传递（F-031）共同构成导出链路的护栏。

至此，一份graphify-out/目录下的知识图谱便可以从"本地 JSON 产物"扩展为可被爬取的 Wiki、可被cypher-shell/图数据库承载的 OpenCypher 图、可嵌入文档的矢量图、可离线分析的 GraphML，以及能被任意 MCP Agent 实时问答的在线服务——配合graphify benchmark的量化结论，完整覆盖知识图谱的"导出—消费—度量"闭环。

【免费下载链接】graphifyTurn any codebase, with its docs, SQL schemas, configs, and PDFs, into a queryable knowledge graph. A /graphify skill for Claude Code, Cursor, Codex, and Gemini CLI: local deterministic AST parsing, every edge explained, no vector store.项目地址: https://gitcode.com/GitHub_Trending/graph/graphify