Graphify — 코딩 에이전트에게 지식 그래프를 심은 22살의 선택

82,800개의 별. 450,000번의 PyPI 다운로드. 카파시의 언급 하나로 폭발한 오픈소스. 그리고 이 모든 걸 만든 사람은 겨우 22살, 런던의 대학원생이다.

며칠 전, 나는 Graphify를 처음 써봤다. 명령어 하나로 프로젝트 전체가 지식 그래프로 변환됐다. 트리시터 AST가 내 코드를 로컬에서 파싱하고, 리포 전체의 함수/클래스/의존성이 하나의 graph.json에 담겼다. LLM 호출 한 번 없이. “이게 어떻게 가능하지?” 싶었다.

Graphify는 Safi Shamsi(safishamsi)가 만든 오픈소스 도구다. AI 코딩 에이전트(Claude Code, Cursor, Codex, Gemini CLI, OpenCode 등 20여 개)를 위한 스킬로, 폴더 하나를 명령하면 코드/문서/PDF/이미지/비디오를 전부 하나의 지식 그래프로 매핑한다.

흥미로운 점은 벡터 인덱스가 아니라는 것이다. 임베딩도 없고, 벡터 스토어도 없다. 실제 그래프를 탐색한다. “FastAPI와 ModelField 사이의 최단 경로를 찾아줘” 같은 질문을 하면, 홉 바이 홉으로 연결을 추적한다.

왜 이 도구에 주목했는가

Drewgent에서도 knowledge.db + GraphRCA로 유사한 접근을 쓰고 있어서, Graphify는 내게 거울 같은 존재다. 비슷한 문제를 비슷한 방향으로 풀었지만, 한 수 위의 디테일이 있다.

36개 트리시터 문법 — 언어 지원 폭이 압도적이다. 파이썬부터 Metal 셰이더, CUDA, 테라폼까지.
confidence 태그 — 모든 엣지에 EXTRACTED(소스에서 직접 추출) vs INFERRED(추론)를 명시한다. “이건 코드에 실제로 있었고, 이건 내가 유추한 거야”가 투명하다.
God node + 커뮤니티 감지 — Leiden 알고리즘으로 리포지토리를 서브시스템으로 분할한다. 어떤 개념이 전체 시스템의 허브인지 한눈에 보인다.

이 모든 걸 파이썬 하나로 해낸 게 가장 놀랍다. uv tool install 한 줄이면 끝이다.

카파시 효과와 바이럴의 조건

Graphify가 폭발한 계기는 Andrej Karpathy의 LLM Knowledge Bases 워크플로우 포스트였다. Karpathy가 “에이전트에게 코드를 통째로 읽히지 말고, 위키를 만들어서 참조하게 하라”는 아이디어를 공유했는데, 그게 Graphify와 정확히 들어맞았다.

48시간 만에 바이럴. LinkedIn, Instagram, TikTok, YouTube, Medium — 전부 오가닉이다. 10개 이상의 독립 튜토리얼이 쏟아졌고, Analytics Vidhya와 Towards AI가 커버했다. 심지어 Rootly(SRE 플랫폼)에서 Rootly-Graphify 임포터를 만들어 인시던트 데이터를 그래프로 연결했다.

이런 반응이 나온 이유는 분명하다. 문제의 보편성 + 해결의 단순함이다. 모든 AI 코딩 에이전트 사용자가 겪는 문제가 “내 리포를 에이전트가 이해하게 하는 데 토큰이 너무 많이 든다”는 거다. Graphify는 그걸 71.5x 더 적은 토큰으로 해결한다.

벤치마크가 말해주는 것

Graphify의 벤치마크를 보면 재미있는 그림이 나온다.

벤치마크	Graphify	경쟁 (mem0, supermemory)
LOCOMO recall@10	0.497	mem0 0.048, supermemory 0.149
LongMemEval-S 정확도	76%	dense RAG와 동률
그래프 빌드 LLM 크레딧	$0	대부분 per-token

recall@10에서 mem0 대비 10배 이상의 성능. LongMemEval에선 dense RAG와 동률이지만, LLM 크레딧은 0이다. 코드는 로컬에서 AST로 파싱하고, 문서만 에이전트 모델을 쓴다. 전형적인 하이브리드 접근이지만, 결정적으로 “임베딩 없이 그래프로만” recall을 0.497까지 끌어올린 점이 인상적이다.

Safi Shamsi — 22살의 스택

Safi Shamsi는 버밍엄 대학에서 데이터 사이언스 석사(Distinction)를 마치고, 현재 런던의 Valent에서 AI 리서치 엔지니어로 일하고 있다. 학부 졸업과 동시에 시작한 오픈소스 프로젝트가 82k+ 스타를 받고, YC S26에 합류했다.

그의 리서치 이력도 흥미롭다. MICAD 2025에서 구두 발표한 논문은 지식 그래프 증강 검색을 활용한 의료 진단이다. 멀티모달 KG + RAG를 결합해 myectoma(곰팡이성 피부병) 진단의 설명 가능성을 높이는 연구였다. 첫 오픈소스 프로젝트와 석사 논문이 이렇게 연결된다.

또한 Unicorn Mafia 핵톤에서 3위(120+명, 47팀)를 차지한 FirstSight — Meta Ray-Ban에서 실시간 응급처치 가이드를 제공하는 프로젝트도 만들었다. 접촉 없는 심박수 측정(rPPG), 안면 마비 감지, JRCALC 2022 GraphRAG 음성 에이전트의 조합. 문제의 다양성 + 해결의 기술 깊이가 인상적이다.

그리고 그가 쓴 책 “The Memory Layer” — AI 에이전트를 위한 지속적 메모리 시스템 구축에 관한 책이다. Graphify의 내부 동작 원리와, 시간이 지날수록 더 똑똑해지는 메모리 시스템 설계 방법을 다룬다.

그래프가 바꾸는 AI 코딩의 미래

Graphify가 중요한 이유는 단순히 “또 하나의 개발 도구”여서가 아니다. AI 코딩 에이전트의 근본적인 병목을 건드리기 때문이다.

대부분의 AI 코딩 에이전트는 컨텍스트 윈도우 안에서만 “이해”한다. 리포가 커지면 모든 파일을 읽을 수 없고, 검색(grep)에 의존하게 된다. 그런데 grep은 단어 매칭만 할 뿐, 구조를 이해하지 못한다. 함수 A가 함수 B를 호출하고, 그게 클래스 C에 의존한다는 사실을 grep이 알려주지 않는다.

Graphify의 접근은 정반대다. 코드를 구조(트리시터 AST)로 먼저 분석하고, 그 구조 위에 의미(LLM 추출)를 얹는다. 그리고 모든 연결에 confidence를 붙인다. 이건 단순한 “검색 개선” 이상이다. 에이전트에게 리포지토리의 지도를 주는 것이다.

Drewgent에서도 비슷한 방향으로 가고 있다. knowledge.db의 GraphRCA 레이어, entity-relation 그래프, graph-explore/trace/rca 도구들. 하지만 Graphify는 이 접근을 36개 언어, 20개 플랫폼으로 확장했다. 나 혼자 만든 시스템과, 오픈소스 커뮤니티가 만든 시스템의 차이를 실감한다.

그래서?

Graphify에 감명받은 건 단순히 기술적인 완성도 때문만은 아니다. 한 문제를 다른 각도에서 바라보는 힘을 보여줬기 때문이다.

“에이전트가 코드를 이해하지 못한다”는 문제를, 대부분은 더 큰 컨텍스트 윈도우나 더 비싼 모델로 해결하려 한다. Safi는 그래프로 접근했다. 문제 자체를 재정의한 셈이다. 토큰을 더 많이 넣는 게 아니라, 구조를 먼저 이해하게 만드는 것. 이 선택이 71.5x의 토큰 절감과 0.497의 recall을 만들어냈다.

22살의 선택이 82k 스타가 되고, YC에 합류하고, 전 세계 개발자의 AI 코딩 방식을 바꾸고 있다. 나도 내 시스템에 그래프 레이어를 어떻게 더 깊이 통합할지 고민하게 됐다.

임베딩 없이 구조만으로. 그것이 핵심이다.

링크: github.com/Graphify-Labs/graphify · graphify.com · The Memory Layer (book)

Built with Drewgent — github.com/humanerd-drew/opencode-drewgent