Technischer Kontext
Ich beschäftigte mich gerade mit der Idee eines Inspect-Projekts mit graphischer Darstellung von Knoten und Verbindungen auf verschiedenen Abstraktionsebenen, als ich auf Understand Anything stieß. Das Projekt ist frisch, kein altes Artefakt, das plötzlich aus dem Archiv ausgegraben wurde. Und ja, für die KI-Implementierung in der Entwicklung sieht das viel nützlicher aus als ein weiterer hübscher Abhängigkeitsbetrachter.
Ich habe mir genau angesehen, was es macht: Es ist ein Open-Source-Plugin für Claude Code, das die Codebasis durch eine Multi-Agent-Pipeline leitet, Dateien, Funktionen, Klassen und Abhängigkeiten extrahiert und dann einen Wissensgraphen (Knowledge Graph) daraus erstellt. Danach öffnet sich ein interaktives Dashboard, in dem man auf Knoten klicken, Code ansehen, Verbindungen verfolgen, Zusammenfassungen in natürlicher Sprache lesen und sogar schrittweise Anleitungen für wichtige Szenarien aufrufen kann.
Hier habe ich kurz innegehalten. Normalerweise verwandeln sich solche Graphen schnell in ein buntes Knäuel, das die ersten zwei Minuten nett anzusehen ist, aber in der dritten Minute für die Arbeit völlig unbrauchbar wird. Aber hier liegt der Schwerpunkt nicht nur auf der Struktur, sondern auf der Bedeutung: Architekturschichten, Domänenentitäten, Abhängigkeitsrouten, Komponentensuche und der Wechsel zwischen verschiedenen Abstraktionsebenen.
Das bedeutet, dass man nicht nur Dateien und Importe betrachten kann, sondern auch einen bestimmten Authentifizierungsfluss, eine Zahlungspipeline oder den Lebenszyklus des Benutzers. Für Legacy-Repositories ist das besonders interessant: Ich sehe oft, wie Teams Wochen damit verbringen, nicht etwa zu entwickeln, sondern die Systemkarte im Kopf zu rekonstruieren.
Ein weiterer kluger Schachzug, der mir gefallen hat: Das Projekt ist nicht nur für Menschen, sondern auch für KI-Assistenten konzipiert. Claude Code, Cursor, Copilot, Codex, Gemini CLI und andere Tools können diesen Graphen als Kontextebene nutzen. Befehle wie erklären, vergleichen oder verstehen operieren in diesem Modus bereits auf Basis des Systemmodells und nicht mehr auf isolierten Code-Schnipseln.
Auswirkungen auf Geschäft und Automatisierung
Der praktische Effekt hierbei ist sehr bodenständig. Ein neuer Entwickler arbeitet sich schneller in das Produkt ein, Refactoring wird weniger zum Glücksspiel, und Architektur-Entscheidungen können anhand einer Karte realer Verbindungen diskutiert werden, statt auf Basis eines veralteten Notion-Diagramms.
Teams mit großen Monorepos, viel Legacy-Code und hohen Fehlerkosten sind hier die klaren Gewinner. Die einzigen Verlierer sind diejenigen, die hoffen, dass ein einzelner Graph auf magische Weise solides technisches Denken ersetzt. Das wird er nicht.
Ich möchte auch die Integration mit der KI-Automatisierung hervorheben: Wenn der Assistent nicht nur das Repository sieht, sondern auch die Beziehungen zwischen Komponenten und Geschäftsabläufen, steigt die Qualität seiner Vorschläge spürbar. Wir im Nahornyi AI Lab lösen für unsere Kunden genau solche Aufgaben, bei denen eine erfolgreiche KI-Integration nicht nur vom Modell abhängt, sondern vom richtigen Kontext, der Architektur und der Art und Weise, wie dem System das Wissen über die Codebasis vermittelt wird.
Wenn Ihr Team im Onboarding stecken bleibt, Angst hat, Legacy-Code anzufassen, oder Stunden mit der manuellen Analyse von Abhängigkeiten verschwendet, ist das ein guter Grund, den Prozess neu zu gestalten. In solchen Fällen analysiere ich mit dem Nahornyi AI Lab normalerweise, wo KI-Automatisierung wirklich helfen kann und wo es besser ist, zuerst Ordnung in der Systemkarte selbst zu schaffen.