2026-10-17 · 四方實測 · 同一份 232 檔

先看你的 codebase 怎麼寫，再挑程式碼圖譜

同一份 ai_family_backend（commit a6fb1d3e，backend/src/services 加上 tsconfig），四個工具吃同一份碼，用同一份 grep 真值、同一題流程解說。最大的發現不在哪個工具比較強，而在於每個確定性工具都有自己解析不了的寫法。這個 codebase 剛好大量使用其中一種，兩個工具因此幾乎看不到跨 service 的呼叫。

⚠️ 2026-10-17 再驗證修正（細節見 10-18 的跨 repo 報告）獨立 subagent 改用 TypeScript type checker 當真值重新驗證後：
  • 「邊的精確度都是 30/30」被推翻。原判定只檢查名稱有沒有出現在那一行，抓不到同名錯連。嚴格判定後：codegraph 1.4.1 整體 76%、跨檔 60%（1.6.2：90%／76%），GitNexus 99%，graphify 87%。
  • 「codegraph 抓不到 export const x = new X()」只限 1.4.1，1.6.2 已修好。
  • default singleton 召回率的結論成立：另抽 50 個，結果 49／0／0／37。
原文保留，下面被推翻的格子都已就地標註。

最重要的發現 · 呼叫寫法決定一切

services 裡 232 個檔有 183 個用 export default new XService()，別處再 import xService 呼叫方法。我從原始碼隨機抽 30 個這類跨檔呼叫點（共 265 個不重複點，seed 7），逐一檢查每個工具有沒有建出那條邊。

CODEGRAPH
30/30
方法層級全中
UNDERSTAND-ANYTHING
24/30
只到 class 層級（LLM 讀碼建邊）
GITNEXUS
0/30
跨檔 calls 邊全庫只有 151 條
GRAPHIFY
0/30
跨檔 calls 邊全庫只有 87 條

對照：codegraph 的跨檔 calls 邊有 854 條。

最小重現：在 3 個檔裡各放一種寫法，由同一個函式呼叫，看各工具建出哪些邊。

呼叫形式codegraphGitNexusgraphify
export default new X()✅❌❌
export const x = new X()❌（1.4.1；1.6.2 已修）✅❌
export function f()✅✅✅
這不是排名，是「你的寫法撞不撞到它的盲點」換成大量使用 export const x = new X() 的 codebase，codegraph 和 GitNexus 的結果可能整個對調。選工具前，先用自己 codebase 最常見的 2–3 種呼叫寫法做一個 3 檔的最小重現，每個工具跑一次只要幾秒。

總表

不加總分。UA 的數字沿用同日的雙方報告（範圍相同）。

codegraphGitNexusgraphifyUnderstand-Anything
版本CLI 1.4.11.6.120.9.92（--code-only）2.9.7
建圖時間／LLM token2.1 秒／022 秒／04.2 秒／0約 10 分鐘／約 156 萬
節點／邊3,405／6,2714,038／8,0612,058／4,440519／1,061
顆粒度方法方法＋屬性＋執行流＋分群方法＋可信度標記檔案／class＋摘要＋分層＋導覽
assertWithinQuota caller（真值 5）5/50/50/5class 層級 4/5，另有 2 個假陽性
handleUserText caller（真值 2）2/22/2（精確到巢狀的 onMessage／onUserTurn）1/2（抓到的那條標 INFERRED）class 層級 2/2
singleton 跨檔呼叫（抽 30）300024（class 層級）
邊的精確度（抽 30 條 calls）
⚠️ 已被推翻（判定太鬆）		原 30/30 → 嚴格判定 24/30；整體 76%、跨檔 60%30/30 → 整體 99%30/30 → 整體 87%（INFERRED 28/28 成立）30/30（class 層級，未重驗）
重現性（重建一次比對邊）1.01.01.00.79（calls 邊）
介面 dispatch（transport.isOpen／sendJson）沒列沒列沒列（另外有把 callback 介面成員以 INFERRED 指到宣告）沒有邊
流程解說：事實抽查10/1010/1010/1010/10
流程解說：token／工具呼叫8.5 萬／711.2 萬／177.9 萬／107.8 萬／10

各自的觀察

CODEGRAPH
  • 在這個 codebase 上的 caller 召回率最高。答流程題最省，6 次指令就夠，只讀 1 個檔。
  • 盲點：export const x = new X() 這種具名實例（1.4.1；1.6.2 已修）。同名方法會退化成名稱比對，跨檔精確度只有 60%（1.6.2 是 76%），常見名稱的 caller 要用 grep 篩。
  • 8 月報告說它「漏巢狀 caller」，這次重現不出來。
GITNEXUS
  • impact 會依深度分組，並標出受影響的執行流。查不到 caller 時回 risk: UNKNOWN，還附註「沒有邊不代表沒人用，請用文字搜尋確認」，說的是實話。
  • caller 名稱最精確，會寫到巢狀的 onMessage@179。
  • 這次踩到的限制：
    • 全文搜尋要連網下載擴充，沒裝起來就停用。
    • 562 個入口候選裡有 362 個沒有追成執行流（它自己警告的）。
    • rename 在 1.6.12 的 CLI 裡沒有，只有 MCP 有。
    • README 上的 --skip-embeddings 這版不存在。
    • 答題 agent 有 3 次 cypher 語法不支援。
  • 非商用授權。
GRAPHIFY
  • 每條邊都標可信度：4,412 條 EXTRACTED、28 條 INFERRED，抽查的 INFERRED 都正確。
  • path 遇到呼叫邊斷掉時，會改走 import 邊連到檔案層級。
  • 盲點：兩種 singleton 都解析不了；barrel index.ts 建不出符號；.proto 直接跳過。
  • 這次只測純程式碼模式，它真正的強項（文件也進圖）在這裡用不到。
UNDERSTAND-ANYTHING
  • 唯一由 LLM 讀碼建邊的工具，所以它不受寫法盲點影響（24/30），但只到 class 層級，重跑也會飄。
  • 有分層、導覽和每檔摘要，適合給人看全貌。
  • 成本高了好幾個數量級。

給新人看懂 · 同一題四份答案

題目：「解說一通語音通話從接通到結束、講話怎麼變成語音回覆、額度在哪裡檢查和扣」。每份答案抽 10 條事實用 grep 驗證，四份都是 10/10。

  • 答案品質差不多，差別在要繞多少路。工具查不到的關係，答題 agent 就回頭讀原始碼補，所以準確度被讀碼補平了，代價轉成 token 和工具呼叫次數。
  • GitNexus 最貴（11.2 萬、17 次）。額度檢查、計時、token 驗證這些全走 default singleton，它一條都查不到，只能讀 13 段原始碼補。
  • graphify 的第一次 query 就找到所有入口，但「額度在哪裡檢查」也只能靠 import 邊加讀碼。
  • UA 靠導覽選了較新的 WebRTC 路徑，涵蓋面最廣；codegraph 在單一路徑上答得最深，讀碼最少。

怎麼選

第 0 步 · 每次都要做
用自己 codebase 最常見的呼叫寫法做 3 檔最小重現，看每個工具能不能建出邊。只花幾秒，卻決定了下面的選擇還成不成立。
AGENT 做影響分析
寫法沒撞到盲點的那個確定性工具。這個 codebase 是 codegraph。
要執行流、Cypher、改名預覽
GitNexus，前提是你的寫法它解析得了，而且授權允許。
文件、需求也要進圖
graphify，可信度標記好用。純程式碼時，跨檔呼叫的召回率要先驗過。
給人看全貌
Understand-Anything，前提是建圖成本分攤得掉。不要拿它問方法層級的 caller。

條件與限制

  • 單一 codebase、單一範圍（232 個 TS 檔，大量使用 default singleton）。結論高度依賴這個 codebase 的寫法，換一個 codebase 排序可能完全不同。最小重現只測了 3 種寫法。
  • N=1：流程題每個工具只答一次。重現性只做了一次重建（確定性工具）或一批重跑（UA）。
  • graphify 只測 --code-only，它的語意抽取（文件、PDF、圖片，需要 LLM）沒測。
  • GitNexus 用 --index-only 跑（不裝 skills、hooks、AGENTS.md）。沒有 embedding，全文搜尋也沒裝起來，查詢能力可能被低估。MCP 工具（例如 rename）沒測。授權是 PolyForm Noncommercial，用在公司程式碼上是否構成商業使用由使用者自行判斷。
  • codegraph 是 CLI 1.4.1（已有 1.6.2）；Understand-Anything 的管線是手動照 SKILL.md 編排的，細節見同日的雙方報告。
  • 評分由本次實驗執行者自評；事實抽查每份只有 10 條，不是全文查證。