Make Node List

Overview

将复杂的主题、概念、脑图或知识树拆解为细粒度、相对独立的节点列表，每个节点作为后续并行处理的基本单元。输出node-list.txt文件，每行一个节点内容。

Workflow

1. 收集用户意图

首先使用AskUserQuestion工具询问用户的写作意图：

问题：你打算写作什么类型的文档？
选项：
- 博客文章：轻量级、通俗易读、3000-8000字
- 教程指南：系统化、带实践、8000-15000字
- 调研论文：学术性、严谨、10000-20000字
- 知识学习：系统性学习知识/算法/框架/论文，详细深入讲解
- 其他：自定义类型

2. 确定节点数量

根据用户意图，询问期望的节点数量：

问题：你希望将主题拆解为多少个节点？
选项：
- 5个左右：适合快速概述、短篇博客
- 10个左右：适合标准教程、中等篇幅
- 15个左右：适合详细教程、长篇博客
- 20个左右：适合系统教程、完整论文
- agent自己决定：根据主题复杂度智能判断
- 其他：自定义数量

3. 理解输入并拆解

分析用户提供的内容类型：

• 主题关键词：如"机器学习基础"、"区块链技术"
• 知识树/脑图：层次化的概念结构
• 大纲框架：已有的章节结构

根据用户意图和节点数量进行智能拆解：

博客文章（5-10个节点）：

• 侧重流畅阅读、吸引读者
• 节点偏大，每节500-1000字
• 结构：引言→核心内容→实践案例→总结

教程指南（10-15个节点）：

• 侧重系统学习、循序渐进
• 节点适中，每节800-1200字
• 结构：概述→基础→进阶→实战→总结

调研论文（15-20个节点）：

• 侧重深度分析、学术严谨
• 节点较细，每节600-1000字
• 结构：摘要→引言→文献综述→方法→实验→结论→参考文献

知识学习（15-25个节点）：

• 侧重系统性、深度理解、知识体系构建
• 节点细粒度，每节800-1500字
• 结构：背景→核心概念→原理深入→实践应用→进阶主题→前沿发展
• 适合：学习算法（YOLO、DeepSeek）、框架（LangChain）、系统设计、论文精读

4. 输出结果预览

生成节点列表后，展示给用户确认：

已生成X个节点：
1. 节点名称1
2. 节点名称2
...

是否需要调整？

4. 输出格式

创建node-list.txt文件：

节点1内容
节点2内容
节点3内容
...

命名规范：

• 使用简洁明确的中文描述
• 避免特殊字符（除标点外）
• 保持同一层级的一致性
• 预留编号空间（便于后续扩展）

Examples

示例1：博客文章（5个节点）

用户输入："写一篇关于Docker的博客文章" 用户选择：博客文章，5个节点左右

拆解结果 (node-list.txt)：

Docker是什么：从虚拟化到容器化的演进
Docker核心概念：镜像、容器与仓库
30分钟上手Docker：从安装到第一个容器
Docker实战：用容器部署一个Web应用
Docker最佳实践：生产环境的容器化建议

示例2：技术教程（10个节点）

用户输入："写一篇关于Docker的技术教程" 用户选择：教程指南，10个节点左右

拆解结果 (node-list.txt)：

Docker简介与传统虚拟化对比
Docker核心概念：容器与镜像
Docker安装与环境配置
Docker常用命令详解
Dockerfile编写指南
Docker网络配置
Docker数据卷管理
Docker Compose使用
Docker实战：部署Web应用
Docker最佳实践与常见问题

示例2：知识树转换

用户输入：

React学习路径
├── 基础
│   ├── JSX语法
│   ├── 组件与Props
│   └── State与生命周期
├── 进阶
│   ├── Hooks
│   ├── Context API
│   └── 性能优化
└── 实战
        └── 项目构建

拆解结果 (node-list.txt)：

React简介与环境搭建
JSX语法基础与最佳实践
组件定义与Props传递
State状态管理详解
组件生命周期方法
React Hooks入门：useState与useEffect
自定义Hooks开发
Context API状态共享方案
React性能优化技巧
React项目实战：构建完整应用

示例3：调研论文（18个节点）

用户输入："撰写关于大语言模型幻觉问题的调研论文" 用户选择：调研论文，18个节点左右

拆解结果 (node-list.txt)：

摘要与引言
大语言模型幻觉问题定义
幻觉问题的分类与表现形式
基于数据类型的幻觉分类
幻觉产生的内在机制分析
训练数据对幻觉的影响
模型架构与幻觉的关系
现有缓解方法综述
基于检索增强的RAG方法
基于提示工程的缓解技术
基于后处理的检测与修正
多模态大模型的幻觉问题
幻觉检测与评估指标
实验对比与基准测试
不同模型的幻觉表现对比
未来研究方向与挑战
开放性问题的讨论
参考文献与补充材料

示例4：知识学习 - YOLO算法（20个节点）

用户输入："系统学习YOLO目标检测算法" 用户选择：知识学习，20个节点左右

拆解结果 (node-list.txt)：

YOLO算法简介与目标检测发展历程
目标检测基础概念：IoU、mAP、NMS详解
YOLOv1核心思想与网络架构详解
YOLOv1的损失函数设计与训练策略
YOLOv2改进点：Batch Normalization与Anchor Boxes
YOLOv2的Darknet-19网络架构分析
YOLOv3突破性改进：多尺度预测与特征金字塔
YOLOv3的Darknet-53网络与残差连接
YOLOv4与YOLOv5的技术演进对比
YOLOv8核心创新：解耦头与Anchor-Free设计
YOLO算法的数据增强策略
YOLO训练技巧：超参数调优与收敛优化
YOLO模型部署：ONNX与TensorRT优化
YOLO在边缘设备上的性能调优
YOLO应用场景：实时检测与视频分析
YOLO变体对比：YOLOv6/v7/v9/v10技术特点
目标检测前沿：Transformer与DETR对比
YOLO vs 其他算法：Faster R-CNN、SSD性能对比
YOLO实战：自定义数据集训练完整流程
YOLO进阶：模型压缩与量化技术

示例5：知识学习 - DeepSeek算法（18个节点）

用户输入："深度学习DeepSeek大语言模型" 用户选择：知识学习，18个节点左右

拆解结果 (node-list.txt)：

DeepSeek模型简介与背景
大语言模型基础架构回顾
DeepSeek的MoE架构详解：混合专家系统
DeepSeek的MLA多头潜在注意力机制
DeepSeek的DeepSeekMoE负载均衡策略
DeepSeek模型架构与参数规模分析
DeepSeek的训练数据与预训练策略
DeepSeek的对齐技术：RLHF与SFT
DeepSeek的推理效率优化
DeepSeek与GPT-4、Claude架构对比
DeepSeek的数学与代码能力评估
DeepSeek的多语言支持与中文优化
DeepSeek API使用与调用方法
DeepSeek本地部署：硬件要求与环境配置
DeepSeek微调：LoRA与QLoRA实践
DeepSeek应用场景：RAG与Agent构建
DeepSeek开源生态与社区资源
DeepSeek未来发展方向与局限性

示例6：知识学习 - LangChain框架（15个节点）

用户输入："系统学习LangChain框架" 用户选择：知识学习，15个节点左右

拆解结果 (node-list.txt)：

LangChain简介与AI Agent开发范式
LangChain核心概念：Chains、Agents、Tools详解
LangChain安装与环境配置
Prompt Templates：模板化提示词管理
Output Parsers：结构化输出解析
Chains链式调用：LLMChain与SequentialChain
Memory模块：对话历史管理与记忆机制
Agents智能代理：ReAct与Function Calling
Tools工具箱：内置工具与自定义工具开发
Retrieval检索：文档加载与向量存储
RAG实现：结合LangChain与向量数据库
LangChain Expression Language (LCEL)入门
LangChain与主流LLM集成：OpenAI、Claude、本地模型
LangChain实战：构建问答系统
LangChain进阶：Agent自治与工具编排

Scripts

scripts/generate_node_list.py

辅助脚本，用于从结构化输入（如JSON格式的脑图、Markdown大纲）自动生成节点列表。

使用场景：

• 用户提供了结构化的知识树
• 需要批量处理多个主题
• 需要验证节点列表格式

Troubleshooting

文档类型参考