infigraph

判断：如果你要的是“本地可跑、无需 LLM 的代码理解/检索底座”，infigraph 值得关注；但按现有证据，它更像面向工程团队和工具开发者的代码情报引擎，而不是开箱即用的 AI 编程助手。当前可用证据主要来自官方 GitHub 仓库文案，能支持其定位与技术路线，但不足以充分证明真实生产效果，样本明显有限。

实际作用上，证据显示它以 AST 为核心，结合图数据库与混合语义搜索，可面向 62 种语言做代码库分析，并强调本地运行、零 LLM 依赖。更准确的类比是“可嵌入式的代码索引与代码关系分析引擎”，而不是 Copilot 这类自动补全工具，也不是通用向量数据库。它更可能帮助你产出代码搜索结果、依赖关系追踪、符号级理解与仓库分析能力。

门槛和成本方面，现有证据没有给出官方定价、托管服务或 API 费用，因此只能保守判断其软件本体大概率可按开源方式自行部署；但图数据库、索引构建、接入现有研发流程的工程成本仍需团队自行承担，这属于保守推断，不应视为稳定成本承诺。它更适合有代码治理、内部检索、开发者平台建设需求的团队；不太适合只想立即获得聊天式编码体验的个人用户。

社媒与讨论质量方面，目前 evidenceSources 基本只有 GitHub 仓库线索：16 stars、4 forks 只能算“热度证明”，说明有人开始关注，不能单独证明“好用”。缺少实测、教程、长文评测或大规模社区讨论，因此关于准确率、索引性能、部署复杂度、多语言覆盖实际质量都还不能下定论。现阶段更合理的结论是：方向清晰、定位专业，但公开讨论以仓库信息为主，讨论质量和外部验证都偏早期。