Understand Anything: Code als Graph verstehen

Ein neues Repo, 200.000 Zeilen, keine Doku, drei Monate Zeit bis du produktiv bist. Das Onboarding-Problem kennt jede:r, die schon mal in eine fremde Codebase geworfen wurde. Understand Anything verspricht, daraus einen interaktiven Wissensgraphen zu machen, den du durchklicken und in Klartext befragen kannst. Wir haben das Tool installiert, gegen ein echtes Repo laufen lassen und uns angeschaut, was am Ende wirklich rauskommt.

Was Understand Anything ist

Technisch kombiniert das Tool zwei Dinge: Tree-sitter parst deterministisch die Syntaxbäume (Imports, Exports, Funktionsdefinitionen, Aufrufstellen), ein LLM ergänzt semantische Zusammenfassungen, Tags und die Zuordnung zu Architektur-Layern und Business-Domänen. Laut README laufen dafür sechs spezialisierte Agenten hintereinander.

flowchart LR
  A["Project-Scanner<br/>findet Dateien & Sprachen"] --> B["File-Analyzer<br/>Funktionen, Klassen, Imports"]
  B --> C["Architecture-Analyzer<br/>Layer-Zuordnung"]
  B --> D["Domain-Analyzer<br/>Business-Domänen"]
  C --> E["Tour-Builder<br/>geführte Lerntour"]
  D --> E
  E --> F["Graph-Reviewer<br/>Vollständigkeit & Kanten"]
  classDef success fill:#14532D,stroke:#22C55E,color:#86EFAC
  class F success

Das Ergebnis landet als reines JSON in .ua/knowledge-graph.json im Projekt. Wer diese Datei committet, kann sie im Team teilen, ohne dass jede Person die Analyse erneut per LLM laufen lassen muss. Das Dashboard selbst braucht danach keine weiteren API-Calls mehr, es zeigt nur noch die gespeicherten Daten an.

Installation und erster Lauf

Die Installation läuft nicht über ein eigenständiges npm-Paket, sondern als Plugin im jeweiligen KI-Tool. In Claude Code sieht das so aus:

Für macOS, Linux und Windows gibt es zusätzlich ein Install-Skript, unterstützt werden laut README über ein Dutzend KI-Coding-Tools, darunter Codex, Cursor, VS Code mit Copilot und Gemini CLI.

In unserem Test gegen ein reales Node.js-Repo (das express-Framework, 213 Dateien im Root) lief es nicht ganz so glatt wie die Marketing-Zeile "eine Zeile installieren, in Sekunden fertig" suggeriert. Der erste Aufruf brach ab, weil das TypeScript-Kernpaket des Plugins noch nicht gebaut war, ein einmaliges pnpm install plus Build im Plugin-Verzeichnis war nötig. Danach lief es zuverlässig durch.

Bei Repos über 100 Dateien fragt das Tool aktiv nach, was analysiert werden soll, bei express empfahl es sinnvoll, die Beispiel-Apps auszuschließen und die Tests zu behalten, weil die 1:1 auf die Kernmodule gemappt sind und dadurch echte Test-Abdeckungs-Kanten im Graphen liefern. Das ist ein guter Trade-off, aber auch ein Hinweis: Wer den vollständigen Graphen eines großen Monorepos will, sollte Zeit und Tokens einplanen.

Was der Graph zeigt

Nach dem Lauf öffnet /understand-anything:understand-dashboard eine lokale Web-Oberfläche. Die Startansicht gruppiert den Code nach Architektur-Layern, jede Karte trägt eine kurze, LLM-generierte Zusammenfassung und die Anzahl enthaltener Dateien.

Screenshot: Eigener Testlauf, Understand Anything v2.9.4 gegen expressjs/express (31.07.2026)

Klickt man in einen Layer, öffnet sich die nächste Ebene mit einzelnen Dateien und Funktionen. Die semantische Suche im Kopfbereich ist der interessanteste Teil: Eine Klartext-Frage wie "wie funktioniert Middleware" fand im Test ohne exakte Begriffsübereinstimmung genau die richtigen Funktionen, use, param und handle, alle mit 100 Prozent Relevanz und korrekt als Middleware-Registrierung getaggt.

Screenshot: Eigener Testlauf, Understand Anything v2.9.4 gegen expressjs/express (31.07.2026)

Zusätzlich baut der Tour-Builder eine geführte, abhängigkeitsgeordnete Tour durch den Code, in unserem Fall zwölf Schritte vom Einstiegspunkt bis zur CI-Pipeline. Für die deutschsprachige Ausgabe haben wir den Flag --language de gesetzt, offiziell listet das README dafür nur en, zh, zh-TW, ja, ko und ru, Deutsch steht dort nicht. In unserem Test hat es trotzdem anstandslos funktioniert, die Node-Zusammenfassungen und die Tour kamen sauber auf Deutsch zurück. Die Oberfläche selbst (Buttons, Menüs) bleibt aber auf Englisch, nur die generierten Inhalte werden übersetzt.

Wo es hakt: eigene Beobachtungen

Ein Punkt fiel im Test besonders auf und deckt sich mit gemeldeten GitHub-Issues: Der deterministische Tree-sitter-Schritt erkennt vor allem klassische function foo()-Deklarationen zuverlässig. Bei express, das seine öffentliche API großteils über Prototyp-Zuweisungen registriert (app.use = function use(...)), fand das Skript beim ersten Durchlauf nur einen Bruchteil der tatsächlich vorhandenen Funktionen. Die nachgelagerten LLM-Agenten glichen das größtenteils aus, aber der Assemble-Reviewer musste danach noch 23 fehlende Funktionen nachtragen. Wer eine Codebase mit ungewöhnlichen Registrierungsmustern hat, sollte den fertigen Graphen stichprobenartig gegen den echten Code prüfen, bevor er als alleinige Referenz dient.

Auch beim Kostenmodell lohnt der genaue Blick. Das Tool selbst ist kostenlos, verbraucht aber die Tokens des jeweils angebundenen KI-Tools. Die README verspricht günstigere, inkrementelle Folgeanalysen, ein offenes Issue #611 berichtet dagegen vom Gegenteil, inkrementelle Updates hätten in der Praxis teils mehr Tokens gekostet als der Erstlauf. Bei großen Projekten also lieber mit einem Token-Abo statt Pay-per-Use starten, oder ein lokales Modell wie Ollama anbinden.

Auf Hacker News reagierten Nutzer gemischt. In einem frühen Show-HN-Thread lobte ein Kommentator die Relevanz fürs Onboarding, der Autor antwortete, sein eigenes Start-up nutze das Tool produktiv. In einer zweiten, deutlich umfangreicheren Diskussion überwog dagegen die Skepsis: Ob automatisch generierte, geglättete Erklärungen wirklich zu echtem Verständnis führen oder nur zu einem oberflächlichen Gefühl davon, blieb unbeantwortet. Im selben Thread äußerten mehrere Nutzer unabhängig voneinander den Verdacht künstlich gekaufter GitHub-Stars, der Autor widersprach öffentlich mit eigenen Zahlen. Bewiesen ist der Verdacht nicht, er zeigt aber: Bei einem noch jungen Projekt mit stark wachsenden Stern-Zahlen lohnt der Blick auf tatsächliche Nutzung und Issue-Aktivität mehr als auf die Sternzahl allein.

Einordnung gegenüber ähnlichen Tools

Der Unterschied zu allen genannten Tools: Understand Anything läuft kostenlos direkt im bereits vorhandenen KI-Coding-Tool, erzeugt einen persistenten, teilbaren Graphen statt eines flüchtigen Prompt-Kontexts, und zielt explizit auf die Business-Domain-Sicht, nicht nur auf reine Code-Struktur.

Für wen sich das lohnt

Am meisten bringt Understand Anything bei mittelgroßen bis großen Codebases ohne gepflegte Architekturdoku, klassisch beim Onboarding neuer Teammitglieder oder wenn du selbst nach Monaten in ein altes Projekt zurückkehrst. Wer schon bewährte Claude-Code-Skills im Alltag nutzt, kann das Plugin ohne Umwege dazuholen. Für kleine, übersichtliche Repos oder Projekte mit exotischer Registrierungslogik wie im Test lohnt sich dagegen eher ein kritischer Blick auf den generierten Graphen als blindes Vertrauen. Wie du KI-generierte Ergebnisse grundsätzlich einordnest, statt sie unhinterfragt zu übernehmen, behandelt unser Artikel zu KI-Code-Qualität.

Fazit

Understand Anything hält im Kern, was es verspricht: ein Repo scannen und daraus einen erkundbaren, semantisch durchsuchbaren Graphen bauen, kostenlos und direkt im gewohnten KI-Tool. Die Installation ist nicht ganz so reibungslos wie beworben, die Tree-sitter-Extraktion hat bei ungewöhnlichen Code-Mustern Lücken, und die Tokenkosten bei großen Projekten sollten realistisch eingeplant werden. Für das grundsätzliche Problem, sich schnell in fremdem Code zurechtzufinden, ist es trotzdem eines der praktischeren neuen Werkzeuge, die wir uns dieses Jahr angeschaut haben.