實戰背景
在本範例中，我們將使用 Graphify 建立一個個人知識管理系統。假設你有大量的筆記散落在各處：
- Notion 頁面
- Obsidian 筆記
- Markdown 文件
- 網頁書籤
我們將這些非結構化的知識轉換成可查詢的圖譜。
規格定義
本次變更計畫的目標是建立一個個人知識圖譜，包含：
- 實體類型：Concept（概念）、Person（人物）、Book（書籍）、Article（文章）、Project（專案）
- 關係類型：RELATES_TO（相關）、INSPIRED_BY（啟發於）、MENTIONS（提及）、BELONGS_TO（屬於）
端到端 6 輪 AI 協作紀錄
── 第 1 輪：初始化專案 ──
- You:
graphify init --name="personal-kb" --backend=builtin - AI:
正在初始化個人知識庫…
✓ 建立目錄：
.graphify/✓ 使用內建輕量級後端✓ 專案「personal-kb」初始化完成！
── 第 2 輪：提取 Obsidian 笔记 ──
- You:
graphify extract notes/learning-path.md - AI:
正在從 notes/learning-path.md 提取知識…
提取摘要：
- 實體：15 個
- Concept: 8 個（機器學習、深度學習、神經網絡等）
- Book: 3 本
- Person: 4 人
- 關係：22 個
識別的概念關係：
- 機器學習 → INCLUDES → 深度學習
- 深度學習 → BASED_ON → 神經網絡
- 神經網絡 → INSPIRED_BY → 生物大腦
✓ 知識已加入圖譜！
- 實體：15 個
── 第 3 輪：提取書籍筆記 ──
- You:
graphify extract notes/books/thinking-fast-and-slow.md - AI:
正在從書籍筆記提取…
提取摘要：
- 新增實體：12 個
- Book: 《思考，快與慢》
- Concept: 系統一、系統二、認知偏差等
- Person: 丹尼爾·康納曼
- 新增關係：18 個
識別的關係：
- 系統一 → OPPOSES → 系統二
- 認知偏差 → AFFECTS → 決策
- 《思考，快與慢》 → DISCUSSES → 認知偏差
✓ 知識已合併到圖譜中！
- 新增實體：12 個
── 第 4 輪：查詢驗證 ──
- You:
graphify query "我學過哪些與大腦相關的概念？" - AI:
根據圖譜查詢結果，你學過以下與大腦相關的概念：
- 神經網絡 - 深度學習的基礎，啟發於生物大腦
- 系統一與系統二 - 思考模式，來自《思考，快與慢》
- 認知偏差 - 影響決策的思維陷阱
這些概念透過「啟發於」或「討論」等關係連接到大腦相關主題。
── 第 5 輪：發現知識關聯 ──
- You:
graphify query "機器學習和認知偏差有什麼關係？" - AI:
根據圖譜查詢結果：
直接關係：無直接連接
間接關係：
- 機器學習 → INCLUDES → 深度學習
- 深度學習 → BASED_ON → 神經網絡
- 神經網絡 → INSPIRED_BY → 生物大腦
- 生物大腦 → PRODUCES → 認知偏差
發現：機器學習（透過神經網絡）與認知偏差（源自大腦）在「生物大腦」這個概念上產生了連結！
建議：你可能會對「生物啟發式計算」或「神經科學與AI」的交叉領域感興趣。
── 第 6 輪：視覺化與部署 ──
- You:
graphify visualize --output=knowledge-graph.html - AI:
正在生成視覺化…
圖譜統計：
- 節點數：47
- 關係數：68
- 最大連通分量：38 節點
✓ 視覺化已生成：knowledge-graph.html
重點發現：
- 你關注的主題集中在 AI、認知科學兩大領域
- 這兩個領域透過「神經網絡/大腦」概念產生了有趣的連結
- 有 9 個概念目前是孤立的，可能需要補充關係
程式碼與設計亮點
- 自動連結發現：Graphify 自動發現了 AI 與認知科學之間的隱藏關聯
- 跨來源整合：成功將不同筆記來源整合到單一圖譜
- 智能推薦：透過圖譜分析推薦相關學習主題
後續改進
- 定期更新：每次學習新概念後，提取到圖譜
- 補充關係：手動補充遺漏的概念關係
- 分享圖譜：將視覺化部署到個人網站
這個範例展示了 Graphify 如何將散落的個人知識轉換成可探索的知識網絡！