codejunkie99/graph-engineering

解决的问题

通过引入「图工程」，解决仅依赖提示工程设计 AI 代理的局限性。该方法聚焦于设计代理记忆信息（知识图谱）和执行任务（任务图谱）的结构拓扑，以提升可靠性和可扩展性。

工作原理

该项目提供一个框架和一组可集成到 AI 代理（如 Claude Code）中的「技能」。实现了一个结构化的 9 阶段知识图谱创建流程——从范围界定、本体设计到融合与向 LLM 提供。在任务执行方面，应用了特定的架构模式，如「钻石」（并行工作者搭配独立验证者）和「人类网关」，以管理复杂工作流。

适用人群

专为希望超越简单提示、利用结构化知识和优化执行流程构建复杂代理系统的开发者和 AI 工程师设计。

主要亮点

• 9 阶段 KG 流程：构建知识图谱的严谨流程（范围 → 表示 → 本体 → 实体 → 关系 → 事件 → 质量门 → 融合 → 提供）
• 任务图模式：实现基于研究的编排规则，包括并行分叉和战略性人机协作网关
• 代理就绪技能：打包的技能文件和提示块，使 AI 代理能够向用户教授图工程，或从文档中主动构建图谱
• 学术基础：提炼东南大学研究生级知识图谱课程及 Google DeepMind、MIT 的研究成果