내 AI 비서가 내 코드를 까먹어서 그래프를 심었다 — Graphify 이야기
AI 코딩 어시스턴트에게 “이 함수 어디 있어?” 물어보고 싶었던 적 없나
있지. 나는 있다. 매일 있다.
Claude Code나 OpenCode 같은 AI 코딩 어시스턴트는 대화를 시작할 때마다 내 코드베이스를 처음 보는 사람처럼 행동한다. “아까 그 라우터 함수 설명해줬잖아” 하면 대답은 “죄송합니다, 이전 대화가 기억나지 않습니다.” 세션 컨텍스트가 바뀌면 모든 게 초기화된다.
이 문제는 코드베이스가 커질수록 악화된다. Drewgent가 3만 라인을 넘어가면서, 나는 똑같은 질문을 매일 반복하고 있었다. “이 모듈 누가 호출하지?”, “DB 스키마는 어디 있지?”, “Cloudflare Workers 인증 로직 알려줘.” 어시스턴트는 매번 처음부터 파일을 읽고, 토큰을 태우고, 같은 답을 내놓았다.
그리고 Graphify를 만났다.
문제: AI는 영원히 현재형이다
AI 코딩 어시스턴트의 가장 큰 약점은 메모리가 없다는 것이다.
- 너는 Git에 수천 번의 커밋을 쌓아왔다
- 프로젝트는 50개 파일, 10만 단어의 문서를 포함한다
- 하지만 AI는 매 세션마다 “처음 뵙겠습니다”부터 시작한다
이걸 해결하는 전통적인 방법들:
- RAG: 벡터 임베딩 + 유사도 검색. 근데 코드 구조를 이해하지 못한다. “이 함수가 어떤 함수를 호출하는지”는 임베딩 유사도로 찾을 수 있는 문제가 아니다.
- 전체 파일 프롬프트: 말도 안 되게 비싸다. 3만 라인 코드베이스를 통째로 넣으면 한 번 쿼리에 수만 토큰이 들어간다.
- 수동 문서화: 사람이 하는 일은 사람이 망친다. 유지보수 비용이 지속된다.
71.5배 토큰 절감이라는 숫자는 Graphify를 처음 봤을 때 내 눈길을 사로잡은 문장이었다. 근데 그 숫자보다 더 중요한 게 있었다: 구조를 이해한다는 점.
Graphify가 하는 일
Safi Shamsi라는 런던의 AI 연구 엔지니어가 만들었다. 그는 대학원에서 지식 그래프 기반 하이브리드 RAG 시스템을 연구했고, 그 경험을 그대로 제품화했다. 결과물은 Graphify — 코드, 문서, PDF, 이미지를 통째로 지식 그래프로 바꾸는 도구다.
동작 방식은 단순하다:
- 폴더 하나를 던진다:
/graphify .명령어 한 줄 - 코드는 AST로 파싱: tree-sitter로 40개 언어의 구조를 로컬에서 추출한다. LLM 호출 없음, API 키 불필요, 모든 게 내 컴퓨터 안에서 끝난다.
- 문서는 LLM으로 추출: 마크다운, PDF, 이미지의 의미를 추출해 그래프에 추가한다. Gemini 키가 있으면 더 정확해진다.
- 커뮤니티 탐지: Leiden 알고리즘으로 그래프를 자동 클러스터링한다. 무슨 모듈이 어떤 모듈과 연결되어 있는지 한눈에 보인다.
- 세 가지 출력물: 대화형 HTML 그래프, 서면 보고서(GRAPH_REPORT.md), 그리고 raw JSON 그래프
이것이 왜 다른가? — 실제 비교
내가 직접 비교해봤다. Drewgent 코드베이스(약 200개 파일, 35,000줄)를 대상으로 “인증 플로우를 추적해줘”라고 물었을 때:
| 방식 | 토큰 소모 | 시간 | 정확도 |
| 파일 전체 읽기 | ~28,000 토큰 | 15-20초 | 높음 (하지만 비싸다) |
| Grep + 검색 | ~8,000 토큰 | 5-10초 | 중간 (누락 위험) |
| Graphify 쿼리 | ~390 토큰 | <1초 | 높음 (그래프 기반) |
71.5배 차이는 과장이 아니었다. 그리고 더 중요한 건, Graphify가 호출 그래프를 알고 있다는 점이다. “AuthMiddleware가 어디서 호출되나요?”라는 질문에 grepping으로는 import 문장과 함수 호출부를 일일이 찾아야 하지만, Graphify는 한 번의 그래프 트래버설로 모든 경로를 반환한다.
Drewgent에 Graphify 심기
설치는 30초면 끝난다:
uv tool install graphifyy
graphify install --platform opencode그러면 OpenCode가 /graphify . 명령어를 인식한다. Drewgent 루트에서 실행하면:
- 200개 파일의 AST를 로컬에서 추출
- 47개 “god node” 발견 (가장 많이 연결된 개념들)
- 12개 커뮤니티 자동 탐지 (brainstem / limbic / sensors / cortex 등)
- 3,200개 이상의 엣지 (호출/참조/상속 관계)
이제 OpenCode 세션에서 이렇게 물어볼 수 있다:
/graphify query "cron dispatcher에서 housekeeper를 어떻게 호출하지?"
/graphify path "discord_bot.py" "knowledge.db"
/graphify explain "drewgent_cron.py"모든 질문이 파일을 다시 읽지 않고 그래프에서 바로 답변된다. 토큰 소모 1/71, 응답 시간 1/10.
Graphify가 잘하는 것 vs 못하는 것
| 잘하는 것 | 못하는 것 (아직) |
| 코드 구조 탐색: “누가 이 함수를 호출하지?” | 깊은 런타임 추론: “이 버그의 원인이 뭐지?” |
| 크로스 파일 의존성: “A와 B는 어떻게 연결되지?” | 동적 분석: “실제 실행 경로는?” |
| 온보딩: 새 프로젝트 첫날 전체 구조 파악 | 매우 큰 저장소(>5000 파일): HTML 시각화 경고 필요 |
| 토큰 최적화: 비싼 LLM 호출 전에 그래프로 필터링 | 증분 업데이트: 수동 –update 명령어 필요 |
Safi Shamsi라는 사람
Graphify를 만든 Safi Shamsi는 지식 그래프를 연구하고 제품화하는 데 집중하고 있다. 몇 가지 인상적인 점:
- 버밍엄 대학교에서 데이터 사이언스 석사 (Distinction)
- 의료 AI, 국방 기술, 허위 정보 탐지까지 다양한 도메인 경험
- 2026년 초 Valent에서 AI 연구 엔지니어로 근무 중
- Y Combinator S26에 합류한 Graphify Labs의 CEO
- “The Memory Layer”라는 책을 썼다 — AI 에이전트를 위한 영구 메모리 설계에 관한 책
가장 인상 깊었던 점은 오가닉 마케팅의 힘이다. Andrej Karpathy가 “LLM Knowledge Bases” 워크플로를 소개한 지 48시간 만에 Graphify는 바이럴을 탔다. 유료 광고 한 건 없이 10개 이상의 YouTube 튜토리얼, 12개 이상의 블로그 포스트, 인스타그램 5만 좋아요 릴스가 터져나왔다. 지금은 GitHub에서 82.9k 스타를 기록 중이다.
안드레이는 그 힘을 알아봤다. 그리고 세상도 알아봤다.
누가 Graphify를 써야 할까
- 혼자 개발하는 사람: 코드베이스가 50개 파일을 넘어가면, 당신의 AI 어시스턴트는 당신이 무슨 코드를 짰는지 모른다. Graphify가 그 간격을 메운다.
- 팀에 새로 합류한 사람: 첫날부터 전체 아키텍처를 그래프로 볼 수 있다. “누가 뭐 하는 모듈이지?”를 1초 만에 답한다.
- AI 코딩 어시스턴트를 쓰는 모든 사람: 토큰 비용을 줄이고 싶다면, 그래프 쿼리가 파일 읽기보다 71배 싸다.
그래서?
Graphify는 “또 하나의 AI 툴”이 아니다. AI 코딩 어시스턴트의 치명적인 약점인 영구 메모리 부재를 해결하는 첫 번째 실용적인 도구다. 코드를 읽지 않고 그래프를 읽는다는 발상 전환이 핵심이다.
Drewgent에 통합한 이후로, 내 OpenCode 세션은 더 이상 “처음 뵙겠습니다”로 시작하지 않는다. 그래프가 항상 거기에 있다. 나는 그냥 /graphify query 한 줄만 치면 된다.
Safi가 쓴 책 제목처럼, 이게 바로 The Memory Layer다. AI 어시스턴트에게 영구적인 기억을 주는 일. 그리고 그 방법은 생각보다 훨씬 단순했다. 지식 그래프 하나면 충분했다.
Graphify: https://github.com/safishamsi/graphify