Causal Graph Auto-Builder — 因果图谱自动构建
降低 Knowledge Graph 维护成本，自动发现事件因果关系
概述
从日志和记忆文件中自动提取事件、实体、因果关系，构建知识图谱。
核心功能
1. 实体识别
- 人物: 瓜农, 龙虾, Jason Zuo
- 项目: AgentAwaken, NeuroBoost, ClawWork
- 工具: GitHub, Vercel, ClawHub
- 概念: 永续记忆, 三层架构, P0 标记
2. 事件提取
[2026-02-22] 实施永续记忆增强
[2026-02-26] NeuroBoost v5.0 发布
[2026-03-01] 创建 agentawaken repo
3. 因果关系推断
ClawHub 超时 → 检查版本 → 发现已发布
永续记忆增强 → 记忆健康度提升 → 任务完成率提升
图谱结构
节点类型
- Entity (实体): 人、项目、工具
- Event (事件): 带时间戳的动作
- Concept (概念): 抽象想法
边类型
- causes (导致): A → B
- enables (使能): A 让 B 成为可能
- requires (需要): A 依赖 B
- relates (相关): A 与 B 有关
自动构建流程
输入
memory/YYYY-MM-DD.md(日志)MEMORY.md(长期记忆).issues/open-*.md(任务)
处理
- NER (命名实体识别) — 提取人名、项目名
- 事件抽取 — 识别动作和时间
- 因果推断 — 分析前后关系
- 去重合并 — 同一实体不同表述合并
输出
{
"nodes": [
{ "id": "agent-awaken", "type": "project", "label": "AgentAwaken" },
{ "id": "vercel", "type": "tool", "label": "Vercel" },
{ "id": "deploy-event", "type": "event", "label": "部署到 Vercel", "timestamp": "2026-03-01" }
],
"edges": [
{ "from": "agent-awaken", "to": "vercel", "type": "requires" },
{ "from": "deploy-event", "to": "agent-awaken", "type": "affects" }
]
}
实现方案
方案 A: 规则匹配（快速）
// 简单正则匹配
const patterns = {
cause: /因为|由于|导致|所以/,
enable: /使得|让|允许/,
require: /需要|依赖|基于/
};
方案 B: LLM 提取（准确）
// 用 LLM 分析文本
const prompt = `
从以下文本提取因果关系，输出 JSON:
{ "cause": "...", "effect": "...", "confidence": 0.9 }
文本: ${text}
`;
方案 C: 混合（推荐）
- 规则匹配快速筛选候选
- LLM 验证和补充细节
- 人工审核低置信度关系
使用示例
# 构建图谱
node skills/causal-graph/build.mjs
# 查询
node skills/causal-graph/query.mjs "AgentAwaken 的依赖"
# 输出: Vercel, GitHub, Next.js, pnpm
# 可视化
node skills/causal-graph/visualize.mjs > graph.html
集成到 AgentAwaken
在 Dashboard 显示：
- 交互式知识图谱
- 点击节点查看详情
- 高亮因果链路
- 时间轴动画
维护成本对比
| 方式 | 初始成本 | 维护成本 | 准确度 |
|---|---|---|---|
| 手动维护 | 高 | 极高 | 高 |
| 规则匹配 | 低 | 中 | 中 |
| LLM 提取 | 中 | 低 | 高 |
| 混合方案 | 中 | 低 | 极高 |
结论: 混合方案最优，初期投入中等，长期维护成本低。
下一步
- 实现基础规则匹配版本
- 集成 LLM 提取
- 添加可视化界面
- 接入 AgentAwaken Dashboard