technology-mapping

name	technology-mapping
version	2.1.1
description	全自动生成前沿技术领域的全景图谱。适用于以技术为核心的赛道（如量子计算、核聚变、AI Agent 等），通过双向挖掘（正向追踪学术源头 + 逆向溯源独角兽创始团队）构建学术→开源→商业化的完整脉络。触发词：「技术mapping」「技术全景图」「technology map」「赛道图谱」。

Technology Mapping Skill (v2.1.1)

Overview

全自动生成指定前沿技术领域的技术全景图谱（技术源流 mapping）。通过 6 个阶段的系统性工作流，自动完成领域分析、目标发现、师承溯源、剪枝聚类、可视化输出和质量验证。

核心特点：

• 🧠 领域自适应：LLM 在运行时动态分析领域特征并生成定制化搜索策略（替代固定模板）
• 🔄 双向挖掘：正向追踪学术源头 + 逆向溯源明星项目创始团队
• 🔗 Wikidata 师承查询：整合 38 万条博士导师关系数据，大幅减少溯源断点
• ✂️ 强力剪枝 + 连接强度分级：三级连接强度体系，只保留 Tier 1/2 连接
• 📊 溯源质量可衡量：自动统计溯源完成率、验证率、孤儿率

When to Use

当用户需要对一个以技术为核心的前沿赛道进行全景式研究时使用：

• "帮我做一个中性原子量子计算的技术mapping"
• "生成 LLM Agent 框架的技术全景图"
• "核聚变领域的赛道图谱"

不适用：已高度成熟的非技术驱动产业。

输入与输出

输入

用户提供一个技术领域关键词："中性原子量子计算" / "LLM Agent 框架" / "核聚变磁约束"

输出

1. [Topic]_TechMap.svg — Graphviz dot 生成的 SVG 矢量图谱
2. [Topic]_TechMap_Report.md — 伴随文字报告（节点简介 + 置信度标注 + 溯源统计 + VC 分析结论）
3. generate_techmap.py — 图谱生成脚本（可复现、可迭代修改）

---

数据 Schema

节点类型表、边类型表、置信度规则详见 data_schema.md 连接强度三级分层体系详见 connection_strength.md 可视化节点配色/边样式/时间轴/Legend 规范详见 visual_spec.md VC 分析框架（创始人评估 + 技术路线 + 中外对比 + 可追溯性）详见 vc_framework.md

---

搜索工具选择规范

在任何需要执行网页搜索的步骤中，按以下流程选择工具：

1. 尝试调用 tavily-search 技能
2. IF tavily-search 调用成功 → 使用结果
3. IF tavily-search 未安装 OR 调用报错（ImportError / HTTP 错误 / 超时）:
   → 记录降级原因
   → 调用系统原生 search_web 工具（相同 query）
   → 使用 search_web 结果
4. IF search_web 也失败 → 标记该搜索步骤为「未完成」，继续下一步

---

执行工作流

[!CAUTION] 严格按照 Phase 0 → 1 → 2 → 3 → 4 → 5 的顺序执行。每个 Phase 完成后，在内部检查输出质量，再进入下一个 Phase。

---

Phase 0: 领域适应 & 策略生成 🧠

目的：让 LLM 在运行时分析该技术领域的特征，动态生成适配的搜索策略和溯源路径。

步骤：

1. 领域特征分析：基于 LLM 自身知识，分析以下维度并输出 domain_profile：

   {
     "domain": "量子计算-中性原子",
     "knowledge_carrier": {
       "论文": 0.8, "专利": 0.3, "开源代码": 0.1, "产品": 0.05
     },
     "talent_flow_pattern": "大学PhD → 博后 → 教授创业 or 大厂",
     "known_anchor_persons": ["Mikhail Lukin", "Antoine Browaeys", "..."],
     "known_anchor_companies": ["QuEra", "Pasqal", "..."],
     "china_pattern": "海归教授 + 中科大/清华系",
     "upstream_path_type": "PhD advisor chain (2-3 layers)",
     "special_relations": ["同实验室师兄弟", "共同导师", "技术迁移(冷原子→中性原子)"],
     "search_templates": {
       "company_overseas": "[keyword] startup unicorn funding series",
       "company_china": "[关键词] 中国 创业公司 融资 A轮 B轮",
       "academic": "[person] PhD advisor [field] university",
       "academic_china": "[中文名] 博士 导师 留学 [领域]",
       "lab_alumni": "[advisor] lab alumni students notable startup"
     }
   }
   

   • ⚠️ AI/开源型领域：talent_flow_pattern 应为 "大厂核心团队 → 独立创业" 或 "顶级实验室 → 开源项目 → 创业"
   • ⚠️ 硬科技领域（量子/核聚变/生物）：应为 "大学PhD → 博后/教授 → 创业"

2. 锚点验证：用搜索引擎快速验证 2-3 个 anchor，修正偏差。

3. 用户确认 ⚠️：展示 domain_profile 摘要，询问是否需要修正或补充。

Phase 0 交付物：domain_profile（领域特征 + 搜索策略 + 锚点列表），经用户确认。

---

Phase 1: 全球目标发现 (Target Discovery)

目的：找到赛道的"北极星"节点——海外头部公司、国内创业公司、核心开源项目和学术里程碑。

步骤：

1. 搜索头部公司（海外）：使用 search_templates.company_overseas，筛选估值 >$1B 独角兽或大科技公司标杆项目。
2. 搜索国内创业公司：使用 search_templates.company_china，筛选融资总额 >1 亿元 或 近两年有公开融资。
   • ⚠️ 以上模板默认面向中国市场。如需覆盖日本/韩国/以色列等其他创业生态，适配当地语言。
3. 搜索核心开源项目（当 knowledge_carrier.开源代码 > 0.3 时）：行业公认的奠基级框架/模型。
4. 搜索学术里程碑与重大奖项（当 knowledge_carrier.论文 > 0.3 时）：使用 openalex-database skill。⚠️ 诺奖/Wolf Prize/国家最高奖获得者必须纳入。
5. 搜索国内学术源头：中科院系统、清华/北大/复旦/中科大等重要研究机构。
6. 构建技术演进时间线：提取 3-7 个关键技术里程碑年份。
7. 互动确认 ⚠️：向用户展示已发现的列表并等待补充。

Phase 1 交付物：Target 列表（12-25 个高价值节点） + 技术演进时间线，经用户确认。

---

Phase 2: 逆向溯源 (Upstream Tracing)

目的：从全部 Target 出发，向上游挖掘源头人物和师承脉络。溯源深度 2-3 层。

⚠️ 连接强度规则：所有关系必须按 connection_strength.md 分类。只有 Tier 1/2 进入图谱。 核心判定：引用 ≠ 传承。

步骤：

1. Wikidata P184 快速查询（优先）：对每个人物先查 scripts/wikidata_client.py 的 query_doctoral_advisor()。有结果 → 跳过搜索；无结果 → 进入渐进式搜索漏斗。同时用 query_students() 横向发现更多创业者。

   • 批量查询使用 batch_query_advisors()（SPARQL VALUES 批量查询，避免 N+1）

2. 渐进式搜索漏斗（Wikidata 无结果时）：

   • 第 1 层（<30s/人）：搜索引擎直查 PhD advisor / 教育背景
   • 第 2 层（<60s/人）：OpenAlex 共同作者交叉验证 + 大学官网
   • 第 3 层（<2min/人）：中文专用模板 + 新闻/采访 + Wikidata 间接推断
   • 仍未找到 → 标记为孤儿节点

3. 继续上溯导师的导师（2-3 层）：保留条件—诺奖级 / 培养 2+ 核心人物 / 桥接节点。

4. 溯源终止规则：满足任一即停止—领域奠基人 / 诺奖图灵奖 / 跨领域边界 / 信息不可获取 / 年代超过阈值（硬科技 60 年、AI/软件 20 年）。

   ⚠️ 每个叶子节点创始人，若技术非独立原创，必须上溯到独立提出者或领域奠基人。

5. 实验室横向扫描：对核心导师搜索全部重要学生/博士后，发现同门创业者。

6. AI/开源领域适配（当 talent_flow_pattern 含"大厂"时）：构建「大厂 Lab → 创业公司」溯源链。

7. VC 分析框架：每个公司节点必须按 vc_framework.md 标注技术来源标签。

8. 溯源完整性检查 ⛔：逐一检查节点，统计溯源完成率 / 验证率 / 孤儿率。目标：完成率 >70%，孤儿率 <20%。

9. 实体消歧义：多源交叉验证。使用 query_person_info(name, expected_field=...) 进行 Wikidata 消歧义。

Phase 2 交付物：Origin 节点列表 + 关系边 + 孤儿节点清单 + 溯源指标。预期 30-50 个节点。

---

Phase 3: 强力剪枝 & 正向补漏 (Pruning & Forward Fill)

目的：清洗数据质量，聚合为技术流派。

步骤：

1. 连接强度过滤：Tier 1 → 保留；Tier 2 → 保留但标弱连线；Tier 3 → 删除。
2. 节点剪枝：保留——开创子方向 / 培养 2+ 创业学生 / 奠基开源 / 顶级大奖 / 桥接节点。删除——纯优化论文 / 无商业化纯学术 / 被上游覆盖的中间节点 / 只有 Tier 3 关系的孤立节点。
3. 正向补漏：对祖师爷级节点，正向查找遗漏的商业化转化。⚠️ 特别检查国内学者/学生。
4. 聚类分组：按核心技术框架/路线名称聚合为 3-8 个流派。⛔ 绝不允许按国家/地域分组。
5. 生成技术路线差异注解：每个 Group 生成「路线特征卡」（格式见 data_schema.md）。

Phase 3 交付物：干净的 graph 数据（nodes + edges + groups + route_notes + timeline），预期 40-60 个节点。

---

Phase 4: 可视化输出 (Graphviz SVG)

目的：将图数据转化为高质量、结构化的 SVG 矢量图谱。

技术方案：使用 Python graphviz 库 + dot 布局引擎。

[!CAUTION] 必须使用 Graphviz dot 引擎生成 SVG。禁止使用 Obsidian Canvas (.canvas)、NetworkX + PyVis HTML、或任何替代方案。 生成脚本 generate_techmap.py 必须使用 import graphviz 并调用 graphviz.Digraph，输出 .svg 文件。

⚠️ 前置依赖：系统需安装 Graphviz (winget install Graphviz.Graphviz)。Python 库：pip install graphviz。

步骤：

1. 创建 generate_techmap.py，使用 graphviz.Digraph(format='svg', engine='dot')
2. 图谱全局设置：白底科研风格，rankdir: TB，dpi: 150，fontname: Microsoft YaHei
3. 节点配色、边样式、时间轴、Legend — 严格遵守 visual_spec.md
4. 布局约束 — 严格遵守 visual_spec.md 布局约束规范（边方向、cluster 聚类、weight/constraint、rank 锚定）
5. 节点/边类型定义 — 严格遵守 data_schema.md
6. VC 分析标注 — 严格遵守 vc_framework.md
7. 布局验证 — 生成 SVG 后按 调试 checklist 检查布局正确性

Phase 4 交付物：SVG 矢量图谱 + 生成脚本。

---

Phase 5: 质量验证 & 报告生成 📊

目的：生成质量报告，让用户了解图谱的可信度和完整度。

步骤：

1. 生成伴随报告 ([Topic]_TechMap_Report.md)：

   • 赛道概述 + 领域适应分析 + 技术路线列表 + 所有节点清单表 + 关键发现
   • VC 分析结论（独立章节，必须包含）：创始人深度排名、路线成熟度对比、中国公司海外溯源清晰度评级、投资风险信号汇总

2. 溯源验证表 ⚠️（必须包含）：| 人物 | 关系声明 | Source 1 (URL) | Source 2 (URL) | 置信度 | 状态 |

3. 溯源质量统计：溯源完成率 / 多源验证率 / 孤儿率 / 平均置信度

Phase 5 交付物：文字报告（含溯源验证表 + 质量统计）。

---

依赖技能

技能	用途	必需
tavily-search	首选搜索：环境缺失则降级为 search_web	可选（有 fallback）
openalex-database	查询学术论文、作者、机构、引用网络	可选（学术型领域推荐）
graphviz (系统+Python库)	Phase 4 唯一出图方案：dot 引擎生成 SVG 矢量图谱	⚠️ 必需

⛔ 已废弃：v2.0.1 起不再支持 Obsidian Canvas (.canvas)、NetworkX + PyVis HTML 输出。

辅助脚本

脚本	用途
scripts/wikidata_client.py	查询 Wikidata 博士导师 (P184) 关系、反查学生、获取人物学术信息、批量查询

参考文档

文档	内容
data_schema.md	节点/边类型定义、置信度规则、路线特征卡格式
connection_strength.md	三级连接强度判定标准 + 7 个边界案例
visual_spec.md	Graphviz 节点配色、边样式、时间轴、Legend 规范
vc_framework.md	VC 分析框架（创始人评估 + 技术路线 + 可追溯性）

---

重要原则

1. 全自动 + 互动确认：用户只提供关键词即可启动；在 Phase 0 和 Phase 1 结束时自动暂停确认
2. 领域自适应：通过 Phase 0 动态生成策略，不依赖固定模板
3. 适度密集：目标节点数 40-60 个
4. 国内覆盖：必须主动搜索国内创业公司（融资>1亿元 或 近两年有融资）
5. 技术差异可见：每个技术路线 Group 必须有路线特征卡注解
6. 诺奖保留例外：顶级大奖学者只要与技术路线相关就保留
7. Wikidata 优先：溯源时先查 Wikidata，有结果则直接使用；批量查询用 batch_query_advisors()
8. 置信度透明：无法确认时标注置信度，绝不编造师承关系
9. 颜色即语义：严格遵守 visual_spec.md 颜色系统
10. 中文标注：人名保留英文原名 + 中文注释，🇨🇳 标记中国公司/学者
11. 时间线必备：左侧必须有时间轴锚定
12. VC 分析必备：每个公司节点必须标注 🏷️ 技术来源，详见 vc_framework.md
13. Graphviz dot 标准：SVG 输出，白底科研风配色