Технический контекст
Я как раз копался в идее inspect-проекта с графовым отображением нод и связей на разных уровнях абстракции, и по дороге наткнулся на Understand Anything. Проект свежий, это не какой-то старый артефакт, который внезапно выкопали из архива. И да, для AI implementation в разработке это выглядит намного полезнее, чем очередной красивый dependency viewer.
Я посмотрел, что именно он делает: это open-source плагин для Claude Code, который прогоняет кодовую базу через multi-agent pipeline, вытаскивает файлы, функции, классы и зависимости, а потом собирает из этого knowledge graph. Дальше открывается интерактивный дашборд, где можно кликать по узлам, смотреть код, связи, summary на обычном языке и даже walkthrough по ключевым сценариям.
Вот здесь я и притормозил. Обычно такие графы быстро превращаются в цветной клубок, на который приятно смотреть первые две минуты и бесполезно работать уже на третьей. А тут ставка не только на структуру, но и на смысл: слои архитектуры, доменные сущности, маршруты зависимостей, поиск по компонентам и переход между разными уровнями абстракции.
То есть можно смотреть не только на файлы и импорты, но и на условный authentication flow, payment pipeline или lifecycle пользователя. Для легаси-репозиториев это особенно интересно: я часто вижу, как команда тратит недели не на разработку, а на восстановление карты системы у себя в голове.
Еще один сильный ход, который мне понравился: проект заточен не только под человека, но и под AI-ассистентов. Claude Code, Cursor, Copilot, Codex, Gemini CLI и другие инструменты могут использовать этот граф как контекстный слой. Команды вроде explain, diff или understand в таком режиме уже работают не по кускам кода, а по модели системы.
Влияние на бизнес и автоматизацию
Практический эффект тут очень приземленный. Новый разработчик быстрее врубается в продукт, рефакторинг становится менее лотерейным, а архитектурные решения можно обсуждать по карте реальных связей, а не по старой диаграмме в Notion.
Выигрывают команды с большими монорепами, легаси и высокой ценой ошибки. Проигрывают разве что те, кто надеется, что один граф сам по себе заменит инженерное мышление. Не заменит.
Я бы еще отдельно отметил связку с AI automation: если ассистент видит не просто репозиторий, а отношения между компонентами и бизнес-флоу, качество подсказок заметно растет. Мы в Nahornyi AI Lab решаем для клиентов ровно такие задачи, где AI integration упирается не в модель, а в правильный контекст, архитектуру и способ подать системе знание о кодовой базе.
Если у вас команда вязнет в онбординге, боится трогать легаси или теряет часы на ручной анализ зависимостей, это уже хороший повод пересобрать процесс. В таких кейсах я вместе с Nahornyi AI Lab обычно смотрю, где здесь реально поможет AI automation, а где лучше сначала навести порядок в самой карте системы.