Causal Graph Builder

# 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 ```json { "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） ```javascript // 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） ```javascript // 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

```bash # 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

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