TTechSpecs

實戰背景

在本範例中，我們將使用 Graphify 分析學術論文，建立研究領域知識圖譜。假設你正在研究「大型語言模型（LLM）在軟體工程中的應用」，已經收集了 20 篇相關論文。

我們將從這些論文中提取：

  • 研究方向與主題
  • 作者與機構
  • 論文之間的引用關係
  • 研究方法與結果

規格定義

本次研究知識圖譜包含：

  • 實體類型：Paper（論文）、Author（作者）、Institution（機構）、Method（方法）、Application（應用場景）
  • 關係類型：CITES（引用）、WRITTEN_BY（撰寫）、AFFILIATED_WITH（隸屬）、USES_METHOD（使用方法）、APPLIES_TO（應用於）

端到端 8 輪 AI 協作紀錄

── 第 1 輪：初始化研究圖譜 ──

  • You: 
    graphify init --name="llm-se-research" --backend=neo4j
  • AI:

    正在初始化研究圖譜…

    ✓ 建立目錄：.graphify/ ✓ 使用 Neo4j 後端

    ✓ 研究「llm-se-research」圖譜初始化完成！

── 第 2 輪：提取核心論文 ──

  • You: 
    graphify extract papers/core-survey.pdf --namespace="survey"
  • AI:

    正在從核心調查論文提取…

    提取摘要：

    • 實體：28 個
      • Paper: 1 篇（調查論文本身）
      • Paper: 15 篇（論文中引用的相關研究）
      • Method: 5 種（Code Generation, Testing, Debugging 等）
      • Application: 7 個（Documentation, Refactoring 等）
    • 關係：42 個

    識別的研究關係：

    • 調查論文 → CITES → 15 篇相關研究
    • 各論文 → USES_METHOD → Code Generation, Testing, Debugging
    • 各方法 → APPLIES_TO → Documentation, Refactoring 等場景

    ✓ 核心論文知識已加入圖譜！

── 第 3 輪：批量提取論文 ──

  • You: 
    # 建立論文清單
ls papers/*.pdf > paper-list.txt

# 批量提取
graphify extract --batch=paper-list.txt --namespace="papers"
  • AI:

    正在批量提取論文…

    提取進度： [########## ] 50% (10/20 論文)

    目前統計：

    • 處理論文：10 篇
    • 識別實體：156 個
    • 建立關係：234 個

    ✓ 批量提取完成！

── 第 4 輪：分析作者網絡 ──

  • You: 
    graphify query "列出所有作者及其合作關係"
  • AI:

    根據圖譜查詢結果，研究社羣包含以下作者：

    核心作者群（3+ 篇論文）：

    1. 張明 - 5 篇，研究方向：Code Generation
    2. 李華 - 4 篇，研究方向：Testing
    3. 王偉 - 3 篇，研究方向：Documentation

    合作關係：

    • 張明 ↔ 李華：合作 2 篇
    • 張明 ↔ 王偉：合作 1 篇
    • 李華 ↔ 王偉：合作 1 篇

    發現：這三位作者形成了緊密的合作網絡，共同推進 LLM 在軟體工程的研究。

── 第 5 輪：追蹤研究趨勢 ──

  • You:

graphify query “這個領域的研究趨勢是什麼？”

*   **AI**:
> 根據圖譜分析，研究趨勢如下：
>
> **熱門研究方向（按論文數量）**：
> 1. **Code Generation** - 8 篇（40%）
> 2. **Automated Testing** - 5 篇（25%）
> 3. **Bug Detection** - 4 篇（20%）
> 4. **Documentation Generation** - 3 篇（15%）
>
> **趨勢分析**：
> - Code Generation 是最熱門的主題，佔近半數研究
> - Testing 相關研究（Automated Testing + Bug Detection）佔 45%
> - Documentation Generation 是新興主題（2023 年後才出現）
>
> **建議**：若要進入此領域，Code Generation 或 Testing 是較成熟的切入點；Documentation Generation 則有較大的創新空間。

---

### ── 第 6 輪：發現研究缺口 ──

*   **You**:
```bash
graphify query "哪些研究主題還未被充分探討？"
  • AI:

    根據圖譜分析，以下是研究缺口：

    未被充分研究的交叉領域：

    1. LLM + Security Testing - 只有 1 篇論文
    2. LLM + Performance Optimization - 沒有專門研究
    3. LLM + Legacy Code Migration - 只有 1 篇論文

    建議研究方向：

    • 「LLM 在安全測試中的應用」是相對空白的領域
    • 「LLM 輔助效能優化」尚未被系統性研究
    • 「遺留程式碼遷移」的 LLM 應用有實際需求但研究不足

── 第 7 輪：識別潛在合作 ──

  • You: 
    graphify query "哪些研究群組有相似的研究方向？"
  • AI:

    根據圖譜分析，以下是潛在合作機會：

    研究方向相似群組：

    1. Code Generation 群組

      • 張明（清華大學）
      • Sarah Chen（MIT）
      • 合作潛力：高（都專注 Code Generation）

    2. Testing 群組

      • 李華（北京大學）
      • Mike Johnson（Stanford）
      • 合作潛力：高（都專注 Testing）

    跨領域合作機會：

    • 張明（Code Generation）與 李華（Testing）可以合作研究「生成程式碼的自動測試」
    • 這將是兩個熱門方向的交叉創新

── 第 8 輪：視覺化研究地圖 ──

  • You: 
    # 生成多個視角
graphify visualize --output=research-map.html --layout=force
graphify visualize --filter="type:Author" --output=author-network.html
graphify visualize --filter="relationship:CITES" --output=citation-graph.html
  • AI:

    正在生成研究地圖…

    視覺化完成：

    • research-map.html（完整研究地圖）
    • author-network.html（作者合作網絡）
    • citation-graph.html（引用關係圖）

    主要發現：

    1. 研究形成了三個主要聚羣：Code Generation、Testing、Documentation
    2. 作者合作網絡呈現明確的學派分佈
    3. 引用關係顯示研究從 Code Generation 擴展到其他應用場景

程式碼與設計亮點

  • 自動研究趨勢分析：透過圖譜聚合自動識別研究熱點
  • 潛在合作推薦：基於研究相似度推薦合作機會
  • 研究缺口發現：自動識別未被充分探討的交叉領域

後續改進

  1. 持續更新：每週新增新論文到圖譜
  2. 會議追蹤：從頂級會議（ICSE, FSE, ASE）提取論文
  3. 跨領域擴展：加入相關領域（如 NLP、SE）的論文

這個範例展示了 Graphify 如何幫助研究者快速掌握研究領域全貌，並發現研究機會！