Research to Diagram

理解复杂知识，往往卡在“梳理关系”这一步。

• 想搞清《红楼梦》里贾、史、王、薛四大家族的联姻网络？
• 想快速掌握 Kubernetes 控制平面与数据平面的组件交互？
• 想理清春秋战国七雄之间的合纵连横？

过去，你需要：查资料 → 整理要点 → 选工具（如 Graphviz）→ 调布局 → 反复修改 → 导出图表。整个过程耗时数小时，还不一定清晰。

现在，有一个工具能全自动完成这一切：你只需说一句“研究《红楼梦》人物关系并生成图谱”，它就能在 2–5 分钟内 输出一份专业级 PDF 关系图，附带所有参考资料来源。

这就是 Research to Diagram —— 一个基于 Claude Code 的 AI 技能（Skill），实现“从研究到可视化”的端到端自动化。

它怎么工作？

你提供：一个自然语言描述的主题或问题
↓
系统自动完成：

1. 多轮深度调研（通过 WebSearch 获取最新、多源信息）
2. 结构化整理（提取实体、关系、分类）
3. 智能选型（根据主题自动选择最合适的图谱类型）
4. 生成矢量图（用 Graphviz 生成 .dot 源文件 + 高清 PDF）
5. 附参考资料（输出 sources.md，记录所有引用链接）

你得到：

• 一份可无限缩放的 PDF 知识图谱
• 一份可编辑的 Graphviz 源文件（.dot）
• 一份 参考资料清单

支持哪些图谱类型？

每种类型都有预设模板，确保视觉层次清晰、布局合理。

对比：有数据 vs 没数据

如果你已经有结构化数据（如 JSON 或表格），用 structure-to-pdf 更快（<1 分钟）；
但如果你只有一个模糊主题、还没有资料，那就用 research-to-diagram。

黄金法则：
没数据 → 用 research-to-diagram
有数据 → 用 structure-to-pdf

实际使用示例

示例 1：文学分析

“深度调查《红楼梦》里人物之间的关系，然后做个结构图 PDF”
✅ 输出：

• 50+ 人物节点，按家族分组
• 血缘、婚姻、主仆等多类关系
• 152KB 矢量 PDF
• 引用 7 个权威学术或百科来源

示例 2：技术研究

“研究 Kubernetes 架构并生成可视化图谱”
✅ 输出：

• 控制平面（API Server, Scheduler, Controller Manager）
• 数据平面（kubelet, container runtime）
• etcd、CNI、CSI 等插件位置
• 组件间通信流向

示例 3：历史梳理

“分析春秋战国时期各国关系，做成关系图”
✅ 输出：

• 七雄地理与势力范围
• 合纵（苏秦） vs 连横（张仪）策略
• 重要战役（马陵、长平）
• 秦统一时间线

如何安装使用？

前提条件

• 已安装 Claude Code（支持 WebSearch 的版本）
• 安装 Graphviz（用于渲染图表）：

  # macOS
  brew install graphviz
  # Linux
  sudo apt-get install graphviz
  

安装方式（推荐 Git Clone）

git clone https://github.com/wshuyi/research-to-diagram.git
cp -r research-to-diagram/skills/research-to-diagram ~/.claude/skills/

或通过插件市场（如果支持）：

/plugin marketplace add wshuyi/research-to-diagram
/plugin install research-to-diagram@wshuyi/research-to-diagram

使用方法

在 Claude Code 中直接输入自然语言指令：

• “研究量子计算发展史并生成图谱，保存到 ~/Documents/”
• “快速研究 React Hooks 并生成简单图谱”
• “先生成《红楼梦》主要家族总览，再深入贾府内部关系”

高级功能

• 指定布局方向：如“从左到右的时间线布局”
• 控制详细程度：“简单版” vs “深度原理版”
• 多格式输出：除 PDF 外，可生成 PNG、SVG
• 手动编辑：.dot 文件可直接修改，再重新渲染
• 分步生成：复杂主题可拆解为多个子图，避免信息过载

注意事项

• 耗时：通常 2–5 分钟，取决于主题复杂度
• 准确性：AI 会从多个来源交叉验证，并提供原始链接供你复核
• 依赖网络：需要联网进行调研
• 本地运行：所有处理在本地或你控制的环境中完成，无隐私上传

为什么值得用？

• 省时：把数小时的手工梳理压缩到几分钟
• 降低门槛：无需学 Graphviz、PlantUML 或绘图工具
• 可追溯：所有结论都有来源，避免“AI 幻觉”风险
• 可迭代：源文件开放，支持二次修改和扩展