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

1. NER (命名实体识别) — 提取人名、项目名
2. 事件抽取 — 识别动作和时间
3. 因果推断 — 分析前后关系
4. 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

结论: 混合方案最优，初期投入中等，长期维护成本低。

下一步

1. 实现基础规则匹配版本
2. 集成 LLM 提取
3. 添加可视化界面
4. 接入 AgentAwaken Dashboard