从列公司到画关系图Chokepoint Atlas图谱引擎graph.json与Mermaid完整拆解【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlas如果你研究过 AI 产业链股票多半经历过这样的困境收藏夹里列了十几家公司却说不清谁给谁供货、谁被财报证据支撑、谁在等催化剂。Chokepoint Atlas卡脖子美股战法用图谱引擎解决了这个问题它把你输入的研究线自动变成一份graph.json节点边的结构化关系数据再渲染成Mermaid 关系图让卡脖子逻辑从一张公司清单升级为可复用、可验证的供应链关系网络。为什么列公司不够把股票清单变成关系图普通研究产物是一张公司清单而 Chokepoint Atlas 的核心输出是一张图。清单回答有哪些公司关系图回答四个更值钱的问题谁依赖谁终端系统依赖哪几层组件组件又依赖哪些公司证据挂在谁身上哪家公司的结论被财报/公告证实催化剂影响谁财报日、产能扩张等事件会推动哪些标的瓶颈在哪一层需求放大时哪一层先堵车这套设计在 references/graph-schema.md 中定义核心思想一句话用图表示论点Represent the thesis as a graph instead of a plain list。graph.json 结构速览节点 nodes 与边 edgesgraph.json只有两个顶层字段nodes节点和edges边。看懂这两个字段就看懂了整个图谱引擎。五种节点类型覆盖完整研究链路类型含义示例end_system终端系统研究的锚点NVIDIA DSX AI Factory、TPU podcomponent组件/功能层液冷、功率分配、HBM 测试company公司供应商/客户/代工厂等FormFactor、Camtek、Amkorevidence证据节点财报电话会、公告、研报catalyst催化剂节点财报日、认证完成、扩产公告六种边类型描述关系方向边用英文动词短语表达关系保持图谱简单可读supplies公司向组件层供货depends_on终端系统依赖某组件层competes_with公司间竞争confirmed_by公司的结论被某条证据证实likely_benefits_from可能受益于某事件catalyzed_by公司被某催化剂推动最小图谱标准一份合格的 graph.json 长什么样Schema 规定了强图谱的下限1 个终端系统、2-5 个组件层、3-8 家公司、至少 2 个证据节点、至少 1 个催化剂节点。示例输入 examples/ai_factory_lane_input.json 中的机器人执行器案例生成的 graph.json 精简后就像这样{ nodes: [ {id: opt, type: end_system, label: Optimus}, {id: fts, type: component, label: force-torque sensing}, {id: vpg, type: company, label: VPG}, {id: q1call, type: evidence, label: Q1 earnings call} ], edges: [ {from: opt, to: fts, type: depends_on}, {from: vpg, to: fts, type: supplies}, {from: vpg, to: q1call, type: confirmed_by} ] }读法很简单Optimus 依赖扭矩传感层depends_onVPG 给该层供货supplies而 VPG 的结论被 Q1 财报证实confirmed_by。三条边就讲完了一个瓶颈证据的微型故事。Mermaid 生成机制graph.json 如何变成可视化关系图graph.json是给人和程序都能读的数据而 Mermaid 是给人一眼看懂的图。转换逻辑在 scripts/build_research_pack.py 的render_mermaid_graph函数中规则分三步1️⃣ 节点类型决定图形形状节点类型Mermaid 形状视觉效果end_system体育场形深蓝底白字component矩形深色底浅蓝字company双边框矩形深绿底浅绿字evidence六边形棕色底金边catalyst体育场形深紫底紫字2️⃣ 边变成带标签的箭头如depends_on渲染为--|depends on|关系方向一目了然。3️⃣ 用 classDef 上色五种类型各有主题色扫一眼就能分清哪块是系统、哪块是公司、哪块是证据。最终生成的 Mermaid 代码节选大致是粘贴到任何支持 Mermaid 的 Markdown 渲染器中就是一张彩色关系图。一键运行生成 graph.json 与 Mermaid 图谱的完整步骤环境要求仅需 Python 3无第三方依赖。第一步获取项目源码git clone https://gitcode.com/gh_mirrors/ch/chokepoint-atlas第二步用内置示例输入跑研究包python3 scripts/build_research_pack.py --input examples/ai_factory_lane_input.json --output out/第三步查看图谱产物。输出目录中与图谱直接相关的有 4 个文件graph.json—— 结构化节点边数据喂给程序/二次分析graph.mmd—— 纯 Mermaid 源码graph_mermaid.md—— 带标题的 Mermaid 预览页graph_card.md—— 图文结合的关系图摘要卡含节点数、边数统计同一流程里还会产出research_pack.json、quick_scan.md、evidence_memo.md、scorecard.json、catalyst_watch.md等研究包文件图谱只是其中最直观的一块。多研究线横向比较则用 scripts/compare_lanes.py 配合 examples/lane_compare_input.json。图谱引擎的 3 个实用技巧技巧 1先看confirmed_by边再看公司。证据直接挂在公司节点上这条边的密度就是结论可靠度的直观指标——这也是 references/output-formats-v2.md 中 Graph Card 模板evidence links一节的由来技巧 2用depends_on链定位瓶颈层。从终端系统沿依赖边往下游走哪一层节点多、替代方案少瓶颈就在哪技巧 3把catalyst节点当监控清单。催化剂节点连到前 3 家高分公司等于自动生成了该盯哪些事件的 watchlist与catalyst_watch.md输出互相印证总结从公司清单到关系图谱只需一份 graph.jsonChokepoint Atlas 图谱引擎的价值不在于画得多好看而在于把研究流程结构化终端系统 → 组件层 → 公司 → 证据 → 催化剂五类节点、六类边最小标准明确产物既可人读Mermaid 图、graph_card也可机读graph.json、research_pack.json。对新手来说最快的上手路径就是跑一遍示例输入 → 打开 graph_mermaid.md 看图 → 再对照 graph.json 读节点和边半小时就能建立供应链关系图的研究视角。更多规范可参考 references/graph-schema.md、references/output-formats-v2.md 与产品手册 references/product-manual.md。【免费下载链接】chokepoint-atlas项目地址: https://gitcode.com/gh_mirrors/ch/chokepoint-atlas创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考