Contexte technique
J'explorais justement l'idée d'un projet d'inspection avec un affichage sous forme de graphe de nœuds et de connexions à différents niveaux d'abstraction, lorsque je suis tombé sur Understand Anything. C'est un projet récent, pas un vieil artefact soudainement exhumé des archives. Et oui, pour l'implémentation de l'IA dans le développement, cela semble bien plus utile qu'une énième jolie visionneuse de dépendances.
J'ai regardé ce qu'il fait exactement : c'est un plugin open-source pour Claude Code qui fait passer la base de code par un pipeline multi-agents, extrait les fichiers, les fonctions, les classes et les dépendances, puis assemble un graphe de connaissances. Ensuite, un tableau de bord interactif s'ouvre, où vous pouvez cliquer sur les nœuds, voir le code, suivre les liens, lire des résumés en langage naturel et même consulter des tutoriels pour les scénarios clés.
C'est ici que j'ai fait une pause. Habituellement, de tels graphes se transforment vite en un enchevêtrement coloré, agréable à regarder les deux premières minutes mais totalement inutile pour travailler dès la troisième. Mais ici, l'accent n'est pas seulement mis sur la structure, mais sur le sens : couches architecturales, entités de domaine, routage des dépendances, recherche par composants et transition entre différents niveaux d'abstraction.
Cela signifie que vous pouvez observer non seulement les fichiers et les imports, mais aussi un flux d'authentification, un pipeline de paiement ou le cycle de vie de l'utilisateur. Pour les dépôts existants (legacy), c'est particulièrement intéressant : je vois souvent des équipes passer des semaines non pas à développer, mais à reconstruire mentalement la carte du système.
Une autre excellente décision que j'ai appréciée : le projet est conçu non seulement pour les humains, mais aussi pour les assistants IA. Claude Code, Cursor, Copilot, Codex, Gemini CLI et d'autres outils peuvent utiliser ce graphe comme couche contextuelle. Les commandes telles que expliquer, comparer ou comprendre fonctionnent désormais sur le modèle du système, et non plus sur des fragments de code isolés.
Impact sur les affaires et l'automatisation
L'effet pratique ici est très concret. Un nouveau développeur s'intègre plus rapidement au produit, la refactorisation devient moins hasardeuse et les décisions architecturales peuvent être discutées autour d'une carte de connexions réelles plutôt qu'un vieux diagramme sur Notion.
Les équipes gérant de gros monorepos, beaucoup de code legacy et un coût d'erreur élevé sont les grandes gagnantes. Les seuls perdants sont ceux qui espèrent qu'un simple graphe remplacera par magie la réflexion d'ingénierie. Ce ne sera pas le cas.
Je soulignerais également l'intégration avec l'automatisation IA : lorsque l'assistant voit non seulement un dépôt, mais aussi les relations entre les composants et les flux métiers, la qualité de ses réponses s'améliore sensiblement. Chez Nahornyi AI Lab, nous résolvons exactement ce genre de problèmes pour nos clients, où l'intégration de l'IA repose moins sur le modèle que sur la fourniture d'un contexte pertinent, d'une architecture et d'une méthode pour transmettre les connaissances du code au système.
Si votre équipe s'enlise dans l'onboarding, craint de toucher au code legacy ou perd des heures à analyser manuellement les dépendances, c'est une excellente raison de repenser le processus. Dans de tels cas, chez Nahornyi AI Lab, j'évalue généralement où l'automatisation IA peut réellement aider, et où il vaut mieux d'abord remettre de l'ordre dans la carte même du système.