北京
长时间使用Claude Code进行开发时，会话压缩往往会让已经建立起来的上下文丢失。开发者对架构、依赖关系、业务规则的解释，在一次压缩后可能就消失了。新会话开始时，这些理解需要重新构建。
代码本身并没有消失，问题在于围绕代码建立起来的理解不再可用。这正是Graft想要解决的核心问题。
安装与集成方式
Graft通过npm安装，执行npm install -g @nanonets/graft即可获得命令行工具。在每个代码仓库中运行graft init --agents claude，就能将Graft集成到Claude Code并构建初始图谱。
每个仓库还需要编写一份轻量级的CLAUDE.md文件，只保留代码库自身无法解释的规则和上下文。代理配置和CLAUDE.md需要提交到Git，而Graft的本地图谱则不应纳入版本控制。
从令牌优化到知识转移
Graft会构建一个持久化、可查询的代码库图谱，映射函数、类、文件、导入和调用等结构。Claude可以通过查询这个结构化表示来减少需要反复读取的代码量。
但作者认为，令牌节省并不是最值得关注的部分。更大的问题在于知识转移。长期维护一个代码库时，开发者会积累大量没有写下来的上下文：某个服务为什么存在、系统的哪些部分依赖它、改动会破坏什么、哪些看似无用的代码应该保留。
通常，开发者自己就是那个知识层。Graft让代码库能够携带一部分这样的知识，让代码库可以教会Claude和新开发者，而不需要开发者反复解释。
工具匹配场景而非追逐模型
作者在之前关于用AI构建生产软件的文章中强调过，当前AI辅助开发的专业性体现在理解哪些工具解决哪些问题。关键不在于使用最复杂的模型，而在于把工具和用例匹配起来。
Graft正是一个例子。大多数关于AI开发的讨论集中在令牌节省、上下文窗口和模型效率上，这些确实重要。但Graft解决的不仅是令牌优化问题，更是一个知识转移问题。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
