CodeGraph 开源首个代码语义知识图谱：基于 Stack-Edu 构建 1.58 亿节点与 10 亿有向边，Wikidata 锚定算法与架构模式
由 Software Heritage 等机构学者联合研发的 CodeGraph 正式发布。面对公有仓库中海量代码仅能进行语法树级解析、无法提取算法范式与工程设计模式的瓶颈，团队利用代码大模型与三阶段实体对齐流水线（SPARQL 确定性链接、Deep Research Agent 长尾消歧与分类向上卷叠），在 Stack-Edu 的 1.67 亿文件中构建出包含 1.58 亿节点与 10 亿类型化边的开放分类代码知识图谱，实现 Wikidata 全局知识锚定。
核心要点速览
- 从语法解析跃迁至语义知识网络：突破传统 AST 语法分析局限于 Token 和语法树的困境，首次将代码中蕴含的高阶工程智慧（算法、设计模式、架构范式）显式结构化为语义实体。
- 1.58 亿节点与 10 亿边超大规模：覆盖 14 种主流编程语言，图谱包含约 1.45 亿源码文件、63,000 个工程概念实体、19,800 个 Wikidata 权威实体，以及约 10 亿条类型化关系边。
- 三阶段稳健知识对齐协议：采用确定性 SPARQL 链接消歧实体、Deep Research Agent 攻克长尾冷门概念、层级向上聚合闭包建立分类父子关系，结合 LLM-as-a-judge 与人工黄金集校准确保高精度标注。
关联模型 / 智能体 / 厂商: