Istilah vibe coding dipopulerkan oleh Andrej Karpathy lewat unggahannya di X pada 2 Februari 2025. Ia menggambarkannya sebagai "a new kind of coding": pembuat aplikasi cukup memberi perintah kepada AI, menerima hasilnya, dan nyaris tidak lagi menyentuh papan ketik. Sejak itu, makin banyak orang membangun aplikasi dengan bantuan asisten AI seperti Claude Code, Cursor, atau Codex, termasuk orang yang tidak berlatar belakang pemrograman.
Cara kerja ini cepat di awal. Masalah biasanya muncul ketika proyek membesar. Berkas bertambah, fungsi saling memanggil, dan dokumen rancangan tersebar di banyak folder. Asisten AI harus membaca ulang banyak berkas setiap kali diberi tugas baru, dan sering kali tetap tidak menangkap hubungan antarbagian. Hasilnya: perubahan kecil di satu tempat merusak bagian lain.
Di titik inilah alat seperti graphify relevan. Artikel ini membahas apa itu graphify dan apa saja manfaatnya bagi vibe coder, berdasarkan dokumentasi resmi proyek tersebut.
Apa Itu Graphify?
Graphify adalah alat sumber terbuka yang mengubah sebuah codebase, beserta dokumen, skema SQL, berkas konfigurasi, dan PDF di dalamnya, menjadi knowledge graph (graf pengetahuan) yang bisa ditanya. Ia dipasang sebagai skill /graphify di asisten AI untuk pemrograman.
Menurut halaman GitHub-nya, graphify mendukung lebih dari 20 asisten, di antaranya Claude Code, Cursor, Codex, Gemini CLI, GitHub Copilot CLI, VS Code Copilot Chat, Aider, Kiro, dan OpenCode. Pemasangannya membutuhkan Python 3.10 ke atas:
- Pasang perangkat baris perintahnya: uv tool install graphifyy (bisa juga lewat pipx atau pip). Perhatikan, nama paket di PyPI memakai dua huruf "y". Dokumentasinya mengingatkan bahwa paket lain bernama mirip tidak berafiliasi.
- Jalankan graphify install agar skill terdaftar di asisten AI yang terdeteksi.
- Di dalam asisten, ketik /graphify . (di Codex: $graphify).
Hasilnya disimpan di folder graphify-out/ berisi tiga berkas utama: graph.html (tampilan graf interaktif di peramban), GRAPH_REPORT.md (ringkasan konsep kunci, keterkaitan yang mengejutkan, dan contoh pertanyaan), serta graph.json (graf lengkap yang bisa ditanya kemudian).
Manfaat 1: AI Punya "Peta" Proyek, Bukan Sekadar Tumpukan Berkas
Tanpa peta, asisten AI biasanya mencari dengan pencarian teks lalu membaca berkas satu per satu. Graphify mencatat hubungan antarbagian kode, yaitu siapa memanggil siapa (calls), siapa mengimpor apa (imports), dan pewarisan kelas (inherits), lintas berkas untuk sekitar 40 bahasa pemrograman.
Bagi vibe coder, ini berarti AI bisa melihat dampak sebuah perubahan sebelum mengetiknya. Pertanyaan seperti "kalau fungsi pembayaran ini saya ubah, apa saja yang ikut terdampak?" bisa dijawab dari graf, bukan dari tebakan.
Manfaat 2: Cepat Memahami Proyek Sendiri yang Ditulis AI
Ironi vibe coding: aplikasi yang kita "buat" sering kali tidak kita pahami strukturnya, karena sebagian besar ditulis AI. Laporan GRAPH_REPORT.md membantu menjawab hal itu. Graphify menandai god nodes, yaitu konsep yang paling banyak terhubung, sehingga bagian paling vital terlihat jelas. Ia juga mengelompokkan kode menjadi komunitas atau subsistem memakai algoritma Leiden, dan memberi labelnya tanpa memanggil LLM.
Tampilan graph.html memungkinkan kita menjelajahi struktur itu secara visual. Ini berguna saat menyerahkan proyek ke rekan, saat kembali ke proyek lama setelah berbulan-bulan, atau saat belajar membaca kode.
Manfaat 3: Pertanyaan yang Lebih Terarah
Graphify menyediakan tiga perintah utama:
- graphify query "<pertanyaan>" mengembalikan potongan graf (subgraph) yang relevan dengan pertanyaan.
- graphify path A B menelusuri jalur keterhubungan antara dua konsep.
- graphify explain menjelaskan satu konsep tertentu.
Setiap hubungan di graf diberi label EXTRACTED (diambil langsung dari kode) atau INFERRED (hasil penyimpulan). Label ini penting bagi vibe coder: kita bisa membedakan mana yang fakta dari kode dan mana yang dugaan, lalu memeriksa ulang yang berlabel dugaan.
Di Claude Code dan Gemini CLI, graphify juga memasang hook yang mendorong asisten memakai graf lebih dulu sebelum melakukan pencarian berkas. Tersedia pula server MCP opsional bagi yang ingin menghubungkannya ke alat lain.
Manfaat 4: Biaya Membangun Graf Kode Nol Kredit LLM
Kode di-parse secara lokal memakai tree-sitter. Dokumentasinya menyebut proses ini "deterministic, no LLM, nothing leaves your machine": hasilnya konsisten, tanpa LLM, dan tidak ada yang keluar dari komputer. Untuk proyek yang isinya hanya kode, graphify tidak memerlukan kunci API. Bagian tolok ukur di halaman proyek mencatat pembangunan graf memakai "0 LLM credits".
Bagi vibe coder yang membayar langganan atau kuota token, ini menarik. Peta proyek dibuat sekali tanpa memakan kuota, lalu dipakai berulang kali. Graf juga bisa diperbarui sebagian: opsi --update hanya mengekstrak ulang berkas yang berubah, dan graphify hook install membangun ulang graf otomatis setiap kali ada commit atau pindah branch.
Manfaat 5: Lebih Aman untuk Kode yang Sensitif
Banyak vibe coder membangun aplikasi untuk klien atau instansi. Menurut dokumentasinya, kode tetap berada di komputer lokal, dan graphify menyatakan "No telemetry, no usage tracking, no analytics".
Ada catatan yang perlu diketahui. Dokumen, PDF, dan gambar dikirim ke model AI yang sedang dipakai, atau ke penyedia API yang dikonfigurasi, untuk analisis makna. Jika proyek berisi dokumen rahasia, opsi --code-only bisa dipakai agar hanya kode yang diproses. Selain itu, setiap pertanyaan dicatat di berkas log lokal ~/.cache/graphify-queries.log. Pencatatan ini bisa dimatikan dengan variabel lingkungan GRAPHIFY_QUERY_LOG_DISABLE=1.
Manfaat 6: Catatan Alasan Ikut Masuk Graf
Graphify membaca komentar bertanda # NOTE: dan # WHY:, serta rujukan ke dokumen keputusan arsitektur (ADR/RFC), lalu menjadikannya simpul yang terhubung di graf. Kebiasaan sederhana menulis alasan di balik sebuah keputusan membuat AI di sesi berikutnya bisa ikut memahami mengapa kode ditulis begitu, tidak hanya apa isinya.
Seberapa Besar Manfaatnya? Lihat Angkanya dengan Kritis
Halaman proyek memuat beberapa hasil tolok ukur. Pada uji lintas-alat terhadap aplikasi ERPNext (enam pertanyaan), cakupan fakta kunci dengan graphify tercatat 82,0%, dibandingkan 70,8% pada cara biasa (pencarian teks dan membaca berkas). Pada uji LongMemEval-S (50 soal), akurasinya 76%, setara dengan pendekatan RAG berbasis vektor.
Angka-angka ini dilaporkan oleh pengembang graphify sendiri dengan sampel kecil. Klaim penghematan token yang beredar di berbagai artikel juga berbeda-beda besarnya. Cara paling jujur adalah mencobanya pada proyek sendiri dan membandingkan hasilnya.
Cara Memulai bagi Vibe Coder
- Pasang graphify, lalu jalankan /graphify . di folder proyek.
- Baca GRAPH_REPORT.md untuk mengenali bagian inti proyek.
- Biasakan meminta AI menanyai graf lebih dulu sebelum mengubah kode, misalnya: "Gunakan graphify untuk mencari apa saja yang terhubung ke modul login sebelum mengubahnya."
- Pasang hook agar graf selalu mutakhir setelah commit.
- Tetap tinjau hasil kerja AI. Graf membantu AI melihat lebih jelas, tetapi tidak menggantikan pengujian.
Penutup
Vibe coding membuat siapa saja bisa membangun aplikasi lebih cepat. Namun kecepatan tanpa peta mudah berujung pada kode yang rapuh. Graphify menawarkan peta itu: struktur proyek yang bisa dibaca manusia dan ditanya oleh AI, dibangun secara lokal tanpa kredit LLM untuk bagian kode. Bagi vibe coder, manfaat terbesarnya adalah kendali: kita dan asisten AI sama-sama tahu apa yang sedang diubah.