Tartalomjegyzék
Három tudásgráfos eszköz AI-os fejlesztéshez
A code-review-graph a programkód szerkezetének gyors és pontos feltérképezésében erős, a Graphify a kód mellett dokumentumokat és más projektfájlokat is összekapcsol, az Understand Anything pedig látványos, magyarázatokkal kiegészített tudástérképet készít. Nagy kódbázis napi fejlesztéséhez általában a code-review-graph, vegyes projekt feltárásához a Graphify, betanuláshoz és átfogó megértéshez az Understand Anything a kézenfekvő választás.
Egy kisebb projektben még működhet az a módszer, hogy megkéred az AI-t: olvassa végig a fájlokat, aztán mondja meg, hol kell módosítani valamit. Ahogy nő a rendszer, ez egyre lassabb, drágább és bizonytalanabb lesz. Az AI sok fájlt újra elolvas, közben pedig pont azt a kapcsolatot hagyhatja ki, amelyikre szüksége lenne.
Erre kínálnak megoldást a kódból épített tudásgráfok. A három vizsgált open source eszköz ugyanabba az irányba indul, de eltérő problémára helyezi a hangsúlyt.
Mi az a tudásgráf, és miért jó az AI-nak?
A tudásgráf leginkább egy térképhez hasonlít. Egy hagyományos fájllistában csak azt látod, milyen utcák vannak a városban. A gráf azt is megmutatja, melyik utca mibe torkollik, hol vannak a fontos csomópontok, és milyen útvonalon jutsz el egyik helyről a másikra.
A kódban a csomópont lehet például egy fájl, osztály, függvény vagy adatbázistábla. A közöttük húzódó kapcsolat azt jelentheti, hogy az egyik függvény meghívja a másikat, egy osztály örököl egy másikból, vagy egy modul használ egy adatbázis-komponenst.
Ez azért hasznos, mert az AI-nak nem kell minden kérdésnél végigolvasnia az egész projektet. Lekérheti a térkép megfelelő részét, majd csak azokat a fájlokat nyitja meg, amelyek tényleg kapcsolódnak a feladathoz. A gráf tehát előszűri a kontextust, ami időt és tokent takaríthat meg.
code-review-graph: amikor azt akarod tudni, mit érint egy módosítás
A code-review-graph elsősorban a programkód szerkezeti feltérképezésére készült. A Tree-sitter nevű parser segítségével felismeri a függvényeket, osztályokat, importokat, hívásokat, öröklődési kapcsolatokat és teszteket. A létrehozott gráfot helyben tárolja, és MCP-n keresztül elérhetővé teszi az AI-os fejlesztőeszköznek.
A legérdekesebb képessége a blast-radius analysis. Ez magyarul nagyjából azt jelenti, hogy megmutatja egy változtatás várható hatókörét. Ha átírsz egy függvényt, az eszköz megkeresi, mi hívja azt, milyen további komponensek függhetnek tőle, és mely teszteket érdemes lefuttatni.
Ez különösen jól jön ilyen kérdéseknél:
- Mi romolhat el, ha módosítom ezt az osztályt?
- Mely fájlokat kell átnézni egy pull request ellenőrzésekor?
- Van-e tesztje a most megváltoztatott működésnek?
- Milyen hívási láncon keresztül jut el egy kérés az adatbázisig?
- Hol alakult ki túl sok függőség egyetlen komponens körül?
A code-review-graph sok programozási nyelvet támogat, és PHP-projekteknél Composer PSR-4 kapcsolatokat, Blade-hivatkozásokat, valamint bizonyos Laravel Route és Eloquent összefüggéseket is képes felismerni. A kezdeti feltérképezés után csak a megváltozott fájlokat dolgozza fel újra, ezért napi fejlesztés közben is használható.
A code-review-graph akkor a legerősebb, ha a kérdésed a kód tényleges szerkezetéről és egy módosítás következményeiről szól. Dokumentumok, üzleti fogalmak vagy képek értelmezésében kevésbé átfogó, hiszen alapvetően kódintelligencia-eszköz.
Graphify: amikor a kód mellett a dokumentáció is számít
A Graphify tágabban értelmezi a projekt fogalmát. A forráskód mellett dokumentációkat, konfigurációkat, SQL-sémákat, PDF-eket, képeket, illetve hang- és videóanyagokat is be tud vonni a tudásgráfba.
A kódot helyben, determinisztikus AST-elemzéssel dolgozza fel. Ez azt jelenti, hogy ugyanabból a kódból ugyanazokat a szerkezeti kapcsolatokat kapod, LLM-hívás nélkül. A dokumentumok és más tartalmak szemantikus értelmezéséhez viszont AI-modellt használhat, ezért ott már számolni kell adatvédelmi és tokenköltségi kérdésekkel.
A Graphify egyik hasznos megoldása, hogy megkülönbözteti a forrásból közvetlenül kiolvasott és a rendszer által kikövetkeztetett kapcsolatokat. Így láthatod, hogy egy él biztos szerkezeti tényen alapul-e, vagy egy értelmezési lépés eredménye.
A futtatás után többek között kapsz egy böngészőben megnyitható gráfot, egy jelentést a fontos csomópontokról és egy JSON-fájlt, amelyet később az AI is lekérdezhet. Megkérdezheted például, hogyan kapcsolódik egy üzleti fogalom az adatbázissémához, vagy milyen út vezet egy dokumentumban leírt funkciótól a megvalósító kódig.
A Graphify akkor jó választás, ha a projekt megértéséhez a kód önmagában kevés. Egy régi rendszer átépítésénél például a README-k, architekturális döntések, adatbázissémák és konfigurációk legalább annyira fontosak lehetnek, mint maguk a függvények.
Understand Anything: amikor a gráfnak tanítania is kell
Az Understand Anything szintén a kód szerkezeti elemzését és az LLM-alapú értelmezést kombinálja, de erősen épít a vizuális felfedezésre és a magyarázatokra. Az elkészült interaktív dashboardon fájlokat, osztályokat, függvényeket, architekturális rétegeket és üzleti területeket járhatsz be.
Az eszköz képes vezetett bemutatókat készíteni a projektről, egyszerű nyelven összefoglalni az egyes komponenseket, valamint megmutatni, hogy egy változtatás a rendszer mely részeit érintheti. Külön nézetben foglalkozik az üzleti folyamatokkal is, így egy kevésbé technikai csapattag könnyebben megértheti, melyik programrész milyen valós működést szolgál.
Van külön tudásbázis-módja is, amely Markdownból felépített wikikben cikkeket, témákat, entitásokat és állításokat kapcsol össze. Ez hasznos lehet dokumentációk vagy belső tudásanyagok böngészésére, bár a funkció egy meghatározott wiki-struktúrára optimalizált.
Az Understand Anything első teljes elemzése nagyobb projektnél jelentős mennyiségű tokent használhat. A későbbi futások már inkrementálisak, vagyis főként a megváltozott fájlokat elemzik újra. A legnagyobb előnye az, hogy a gráfot tanulási felületté alakítja, ezért onboardinghoz, architektúra-felfedezéshez és kevésbé technikai szereplők bevonásához különösen érdekes.
A három eszköz közötti legfontosabb különbségek
| SZEMPONT | CODE-REVIEW-GRAPH | GRAPHIFY | UNDERSTAND ANYTHING |
|---|---|---|---|
| Elsődleges cél | Kódreview és változások hatókörének elemzése | A teljes projekt összekapcsolása | A rendszer vizuális megértése és bemutatása |
| Fő bemenet | Forráskód | Kód, dokumentumok, konfigurációk és média | Kód, dokumentumok és strukturált tudásbázis |
| Szerkezeti kódelemzés | Erős | Erős | Erős |
| Dokumentumok szemantikus feldolgozása | Korlátozottabb | Erős | Erős |
| Változtatások hatáselemzése | Kiemelt funkció | A gráf lekérdezésével segíthet | Külön diff és impact nézet |
| Vizuális felfedezés | Van | Van | Kiemelt szerepet kap |
| Betanulás és vezetett bemutató | Másodlagos | Részben | Erős |
| Napi, gyors kódolási feladatok | Kifejezetten jó | Jó | Jó, de összetettebb |
| Kezdeti AI-költség | Kódnál alacsony | Kódnál alacsony, dokumentumoknál lehet magasabb | Nagy projektnél számottevő lehet |
Melyiket mikor érdemes használni?
Egy régi rendszert Laravel-alapokra ültetnél át
Ilyenkor először azt kell megértened, mit csinál a jelenlegi rendszer, milyen adatokat kezel, és hol vannak a rejtett függőségek. Ha sok dokumentáció, SQL-séma és konfiguráció is tartozik hozzá, a Graphify adhatja a legteljesebb kezdőképet.
A tényleges átépítés közben már a code-review-graph lehet hasznosabb. Segít megkeresni, milyen komponenseket érint egy-egy csere, és PHP/Laravel projektnél néhány framework-specifikus kapcsolatot is felismer.
Egy új fejlesztőnek kell gyorsan megértenie a projektet
Erre az Understand Anything a legkényelmesebb. A vizuális dashboard, az egyszerű összefoglalók, az architekturális rétegek és a vezetett túrák csökkentik azt az időt, amit egy új kolléga a fájlszerkezet vak böngészésével töltene.
Ez nem váltja ki a jó dokumentációt, de segíthet megmutatni, miről kell dokumentációt írni, és milyen sorrendben érdemes megismerni a rendszert.
Egy nagy projektben rendszeresen ellenőrzöl módosításokat
Itt a code-review-graph a legegyenesebb választás. A módosított fájlokból kiindulva megkeresi a kapcsolódó függvényeket, hívókat, függőségeket és teszteket. Az AI így célzott kontextust kap, ami nagy repóknál jelentős tokenmegtakarítást hozhat.
A projekt fontos tudása README-kben, PDF-ekben és diagramokban szétszórva él
Ebben a helyzetben a Graphify előnye érvényesül. A vegyes forrásokból közös gráfot készít, ezért olyan kapcsolatokat is láthatóvá tehet, amelyek a kód önálló elemzéséből nem derülnének ki.
A vezetőségnek vagy egy product managernek is megmutatnád a rendszer működését
Az Understand Anything üzleti területekre és folyamatokra épülő nézete közelebb áll ehhez a feladathoz. A technikai függőségek mellett azt is megpróbálja bemutatni, hogy az egyes komponensek milyen üzleti működéshez tartoznak.
Muszáj egyetlen eszközt választani?
Nem feltétlenül. A code-review-graph és a Graphify például jól kiegészítheti egymást: az egyik gyors, szerkezeti kódtérképet ad a napi fejlesztéshez, a másik a dokumentációval és egyéb projektanyagokkal együtt mutatja a teljes képet. Az Understand Anything pedig olyan projektnél lehet külön réteg, ahol fontos a vizuális böngészés és a csapat betanítása.
Három rendszert párhuzamosan fenntartani persze csak akkor érdemes, ha mindegyikre van konkrét használati eset. Egy átlagos fejlesztésnél indulj abból a problémából, amelyik a legtöbb időt viszi el. Ha a kódreview lassú, kezdd a code-review-graphfal. Ha a tudás szétszóródott, próbáld ki a Graphifyt. Ha senki nem látja át a rendszer egészét, az Understand Anything lehet a jobb első lépés.
GYIK
Ezek az eszközök maguk írják meg helyettem a programot?
Nem. A projekt feltérképezésével pontosabb kontextust adnak az AI-nak és a fejlesztőnek. A módosításokat továbbra is ellenőrizni, tesztelni és szakmailag felülvizsgálni kell.
Használhatók Codexszel vagy Claude Code-dal?
Igen, mindhárom projekt támogat több AI-os fejlesztői környezetet, köztük a Codexet és a Claude Code-ot. A pontos telepítési mód eszközönként eltér, ezért mindig az adott repository aktuális útmutatóját kövesd.
Elküldik a forráskódomat egy külső AI-szolgáltatásnak?
A determinisztikus kódelemzés mindhárom esetben helyben végezhető. A szemantikus dokumentumelemzéshez vagy magyarázatok előállításához viszont szükség lehet AI-modellre. Telepítés előtt ellenőrizd, mely fájlokat dolgozza fel helyben, és mely tartalmak kerülhetnek a beállított szolgáltatóhoz.
Melyik takarítja meg a legtöbb tokent?
Nagy, rendszeresen változó kódbázis napi fejlesztésénél a code-review-graph célja illeszkedik legjobban a tokenmegtakarításhoz. A tényleges eredmény attól függ, hogyan használja az AI a gráfot, mekkora a projekt, és mennyi fájlt olvasna el nélküle.
Kiváltják ezek az eszközök a projekt dokumentációját?
Nem teljesen. Tudnak térképet, összefoglalókat és kiindulási anyagot készíteni, de a célokat, üzleti szabályokat és fontos döntések indoklását továbbra is érdemes ember által ellenőrzött dokumentációban rögzíteni.
Szójegyzék
- AST (Abstract Syntax Tree) – A programkód fa alakú szerkezeti leírása. Segítségével egy eszköz felismerheti például a függvényeket, osztályokat és hívásokat anélkül, hogy emberként kellene értelmeznie a teljes programot.
- Tudásgráf (knowledge graph) – Csomópontokból és a közöttük lévő kapcsolatokból álló adatszerkezet. Egy kódgráfban a csomópont lehet függvény vagy fájl, a kapcsolat pedig például függvényhívás vagy import.
- MCP (Model Context Protocol) – Szabványos kapcsolódási mód, amelyen keresztül az AI különböző eszközöket és adatforrásokat érhet el.
- Blast radius – Egy módosítás várható hatóköre, vagyis azoknak a komponenseknek a köre, amelyek közvetlenül vagy közvetve érintettek lehetnek.
- Szemantikus elemzés – Olyan feldolgozás, amely a szöveg vagy kód jelentését és szerepét próbálja meghatározni, nem csak az előforduló szavakat vagy a nyelvtani szerkezetet.
