llmgraph

LLMGRAPH

每张调用图都有盲点。我们会告诉你盲点在哪里。

LLMGRAPH 只绘制它能够证实的调用。对于它看不到的调用，它会统计数量，并用直白的语言说明，让你的 Agent 在编辑前就能看到盲点。

我构建 LLMGRAPH，作为编码 Agent 的真实信息层，而真实信息也包括盲点：Agent 会猜测；LLMGRAPH 会证实它能证实的内容，并指出它无法证实的内容。在三个开源代码库上进行的 50 个问题盲测中，没有一个肯定的回答是错的。

---

两个函数。同一个名称。你的 Agent 分不出来，我们可以。

grep 会读取名称。LLMGRAPH 会追踪调用。它能证实的，就会证实；不能证实的，就会告诉你，精确到它停下来的那一行。

zod 带有两个 addIssueToContext 副本。文本搜索会把它们混在一起：

$ rg -n addIssueToContext      # zod v3.23.8
146 lines, from both copies, mixed together

LLMGRAPH 会将它们区分开，并展示推理过程：

llmgraph · who_calls addIssueToContext (src/helpers/parseUtil.ts:72): 71 in a set
  ⚠︎ type checker starting: answers use our own reading for now; 71 calls unchecked
  ◇ within_these 71 calls -> one of 1 (closed: repo only) [c] w1
  ⚠︎ plus 7 dynamic calls nearby that could reach anything w2
  – ruled out: 71 same-name calls (proven: other target) [c] w3
  assumes [c]: our own reading, not confirmed by the checker
(lines trimmed)

**排除了 71 个相似项，并说明了原因。**而对于类型检查器尚未确认的内容，它也会如实说明。

谁在另一端？

你的 Agent 在顺着线索追查之前，应该先弄清楚。在 requests 中，将 super_len(o) 改为 super_len(o, strict)，然后调用 check_my_changes：

llmgraph · check_my_changes: 1 file changed, 16 calls break
  16 breaks: misses "strict" w1
  ⚠︎ breaks if it runs super_len src/requests/models.py:526 PreparedRequest.prepare_body (within_these, one of 1, closed: repo only) [c] w2
  ⚠︎ breaks if it runs super_len src/requests/models.py:575 PreparedRequest.prepare_content_length (within_these, one of 1, closed: repo only) [c] w3
  ⚠︎ breaks if it runs super_len tests/test_utils.py:62 TestSuperLen.test_io_streams (within_these, one of 1, closed: repo only) [c] w4
  … 13 more test call sites
  ⚠︎ plus 9 dynamic calls nearby that could reach super_len w18
(lines trimmed)

**准确指出 16 个失效调用，且恰好都是真正受影响的调用。**盲测者的文本搜索找到了同样的 16 个，不多不少。而它无法追踪的 9 个动态调用也都被标记出来，而非忽略。

随后，类型检查器完成了检查。几秒后再问一次：

llmgraph · who_calls super_len (src/requests/utils.py:135): 16 certain
  ✓ certain src/requests/models.py:526 PreparedRequest.prepare_body w33
  +1 more (all certain, same file) w34
  ✓ certain tests/test_utils.py:62 TestSuperLen.test_io_streams w35
  +13 more (all certain, same file) w36
  ⚠ plus 9 dynamic calls nearby that could reach anything w37
(lines trimmed)

**从“我们自己的阅读结果”变为已发布程序中的 16 个 certain。**它的标签绝不会超出已证实的范围，并会在获得证据后立即升级。

五种标签

其他工具根据传闻勾勒你的代码库，并自信地填补盲点。LLMGRAPH 只用两种颜色工作：已证实内容用墨色标出，未证实内容用直白的警告说明，绝不会把两者混为一谈。

标签	含义
certain	我们可以证实它确切地是一个函数。
exactly_these	一个已知集合，且其中每个成员确实都能在此处运行。
within_these	是已知列表中的一个；列表中有些项可能永远不会在此处出现。
maybe_more	存在候选项，但可能还有其他项。
cannot_see	没有任何线索。

回答不会给出概率数字，而是说明哪些可能性已被排除。

在我们的测试项目中进行测量

在你的 Agent 发起询问后，类型检查器会在不到一秒内确认调用者（Python）；而 check_my_changes 会在 LLMGRAPH 完成保存后的更新后，于不到一秒内给出回答。对于也出现在无关代码中的名称，它没有指出任何错误调用者，而纯文本搜索返回了数百行错误结果，Agent 阅读的令牌也不到一半；对于干净且唯一的名称，则没有节省。

测量方法、原始数据以及 LLMGRAPH 的不足之处：BENCHMARKS.md。

你的 Agent 可以询问什么

工具	回答内容
who_calls	调用此函数的所有位置，以及我们看不到的调用。
what_breaks_if_changed	直接或间接依赖此函数的所有内容，以及我们看不到的内容。
check_my_changes	编辑后：你未更新的调用者，以及任何我们看不到的内容。
what_is_unknown	我们视野中的盲点（动态调用、未知类型、无法读取的文件）及其原因。
explain	我们给出此结论的原因：某一条回答背后的证据。

你的代码会在你的机器上读取和分析，我们绝不会收到你的代码、路径、符号或代码库名称、查询或回答。在已发布程序中检查过：它只会联系 beta.llmgraph.in。使用量统计和崩溃报告默认开启，可以关闭（npx -y llmgraph-mcp telemetry off）；许可证检查始终开启。隐私页面。

安装

Claude Code（插件）：

claude plugin marketplace add brainfoods-studio/llmgraph-agent-plugin
claude plugin install llmgraph@llmgraph

该插件会在你的 Agent 搜索函数或类名之前提供 LLMGRAPH 的答案，且绝不会阻止搜索。当你的 Agent 即将完成时，如果已保存的编辑导致某些调用确定会出错，它会拦截一次并列出这些调用；对于其他情况绝不会拦截。运行 npx -y llmgraph-mcp hook off 即可关闭这两项功能。

**任何 MCP Agent：**添加服务 npx -y llmgraph-mcp（在 Windows 上，某些 Agent 需要运行 cmd /c npx -y llmgraph-mcp），使用 Google 登录一次，然后由你的 Agent 发起请求。设置指南适用于 Claude Code、Antigravity、Cursor、Codex、Gemini CLI、Windsurf 和 OpenCode；我们已在 Claude Code 和 Antigravity 上进行测试。

**当前限制：**Windows x64 · Python 和 TypeScript/JavaScript（其他语言会报告为 cannot_see，不会被视为没有任何内容）· 仓库行数不超过套餐限制 · 仅限受邀参与的 Beta 版，申请邀请 · 个人用户可试用一种套餐，价格。

此仓库包含采用 MIT 许可证的开源设置文件；LLMGRAPH 引擎为闭源软件，并根据 EULA 在你的机器上运行。Brainfoods Studio，印度 · [email protected] · [email protected]