TLDR;

Graphy é uma camada de memória que mapeia seu código, docs e diagramas em um grafo conectado usando tree-sitters e um LLM para gerar visualizações, um relatório Markdown e uma base de conhecimento local. Ao indexar o projeto uma vez e manter o mapa em cache, ele demonstra redução drástica de tokens — por exemplo de ~14.000 para algumas centenas — gerando economias na ordem de dezenas de vezes nas consultas subsequentes. Compensa para projetos reais e onboarding porque melhora contexto e raciocínio, mas a primeira indexação pode ser lenta e cara, as relações nem sempre são perfeitas, o projeto é novo e pode ser exagero para repositórios pequenos.

Resumo

O vídeo apresenta o Graphy, uma camada de memória para repositórios que transforma um amontoado de arquivos em um mapa conectado, reduzindo drasticamente o uso de tokens e melhorando a precisão das respostas de IAs como Claude; em vez de reprocessar todo o projeto a cada pergunta, o Graphy analisa código, documentos, diagramas, áudio e vídeo localmente (nada sai da máquina), usa tree-sitters para entender estrutura e um LLM para extrair significado, gera um grafo visual e um arquivo MD que funciona como base de conhecimento atualizável e navegável. Diferente do RAG, que busca trechos semelhantes, ele cria relações reais entre módulos, funções e documentos, indicando também o nível de confiança (extraído, inferido, ambíguo). O resultado é economia contínua de tokens (ex.: de ~14.000 para alguns centenas) e melhor onboarding em projetos complexos, pois a IA passa a raciocinar em vez de chutar. As limitações incluem custo e lentidão na primeira execução, suporte de longo prazo ainda incerto, certas relações imprecisas rotuladas apropriadamente, e ser exagero para repositórios pequenos; detalhe curioso: o nome é Graphy com dois Ys. No geral, para quem usa IA em projetos reais, é um upgrade valioso para entender e manter contexto entre arquivos.