【免费下载链接】create-context-graph
AI agents with graph based reasoning memory, scaffolded in seconds
create-context-graph 是一个开源的「上下文图谱」（context graph）脚手架工具，内置13 个 SaaS 连接器：一条命令即可把 GitHub、Slack、Linear、Notion、Gmail、Salesforce、Google Workspace 的数据，以及 Claude Code / Claude AI / ChatGPT 的对话历史，统一导入 Neo4j 知识图谱，并自动生成一个带 AI Agent 的全栈应用。📥
为什么团队协作数据适合放进知识图谱？
团队的知识通常散落在多个工具里：
- GitHub存着 Issue、PR 与代码评审；
- Slack里是大量的即时讨论与决策碎片；
- Linear / Jira管理着项目排期与任务状态；
- Notion / Google Docs沉淀了文档与评论。
这些数据彼此孤立，检索只能靠关键词搜索。create-context-graph 的思路不同：它把各服务的数据抽取为实体（Issue、PR、User、Document…）和关系（REPORTED_BY、BLOCKS、LINKS_TO…），构建成一张可推理的知识图谱。AI Agent 不是对着一堆文本做检索，而是沿着图谱上的边做推理——比如「这个 bug 是谁修的、关联哪个 PR、当时在 Slack 里讨论过什么」。
这正是它与普通 RAG（检索增强生成）方案的核心差异：图谱 + 决策轨迹（decision trace）保留了"为什么"，而不只是"是什么"。
13 个 SaaS 连接器一览表 🔌
| # | 连接器 | 导入内容 | 认证方式 |
|---|---|---|---|
| 1 | GitHub | 仓库、Issues、PR、commits、用户、代码评审 | Personal Access Token |
| 2 | Slack | 频道、消息、话题线程、用户、表情回应 | Bot OAuth Token |
| 3 | Jira | 项目、Issues、Sprint、用户、评论、工时 | API Token + Atlassian 邮箱 |
| 4 | Notion | 页面、数据库、块、用户、评论 | 内部集成 Token |
| 5 | Gmail | 邮件、会话、联系人、标签、附件元数据 | Google OAuth 2.0 |
| 6 | Google Calendar | 事件、参会人、日历、循环日程 | Google OAuth 2.0 |
| 7 | Salesforce | 客户、联系人、商机、线索、案例 | OAuth 2.0 Connected App |
| 8 | Linear | 12 类实体 + Issue 历史转决策轨迹 | 个人 API Key |
| 9 | Google Workspace | Drive 文件、评论线程（决策轨迹）、修订记录、活动流、日历与 Gmail 元数据 | Google OAuth 2.0 |
| 10 | Claude Code | 会话历史、消息、工具调用、决策、偏好 | 无需（本地文件） |
| 11 | Claude AI | 官方导出的对话、消息、思考轨迹 | 无需（导出 zip） |
| 12 | ChatGPT | 官方导出的对话、消息、工具结果 | 无需（导出 zip） |
| 13 | Local File | Markdown、PDF、HTML、Word、AsciiDoc 文档 | 无需（本地路径） |
💡 值得注意：后 5 个连接器完全不需要任何 API Key——Claude Code 直接读取本地~/.claude/projects/会话文件，Claude AI / ChatGPT 读取官方设置里导出的 zip，本地文件连接器则直接解析磁盘上的文档。
快速上手：一条命令生成图谱应用 ⚡
前置要求：Python 3.11+（推荐用 uv）、Node.js 18+，以及一个 LLM API Key。以「软件研发」领域 + PydanticAI 框架为例，同时接入 GitHub 和 Slack：
uvx create-context-graph my-app \ --domain software-engineering \ --framework pydanticai \ --self-hosted \ --connector github \ --connector slack脚手架会根据你选择的连接器自动完成三件事：
- 把所需的环境变量（如
GITHUB_TOKEN、SLACK_BOT_TOKEN）写入项目根目录的.env； - 把各连接器的导入代码生成到
backend/app/connectors/； - 生成
backend/scripts/import_data.py导入脚本与 Makefile 目标。
随后启动并导入数据：
cd my-app make install make docker-up # 启动本地 Neo4j make import-and-seed # 从 GitHub/Slack 拉取数据并写入图谱 make start打开http://localhost:3000，就能在左侧与 Agent 对话、中间浏览知识图谱、右侧查看导出的文档。想换其他框架，把--framework换成strands、langgraph、crewai、google-adk等即可，8 种框架共享同一套后端与前端。
连接器实战：四类典型场景
GitHub + Slack：研发协作知识图谱
最常用的组合。GitHub 用 Personal Access Token（需要repo、read:org、read:user权限），Slack 用 Bot Token（需要channels:history、channels:read、users:read、reactions:read权限）。导入后，PR 会与其修改的 Issue、评审人、提交者连成子图，Slack 里的讨论则作为上下文挂在相关实体旁——问 Agent「登录接口的 PR 为什么返工了」，它能沿边找到答案。
Linear：把项目管理历史变成决策轨迹
Linear 连接器是 13 个里最"重"的一个（见 linear_connector.py）：
- 导入12 类实体：Issue、项目、Cycle、团队、用户、标签、工作流状态、评论、项目更新、里程碑、Initiative、附件；
- 把Issue 历史（状态变更、指派记录）转化为决策轨迹——谁在何时、以什么理由改变了状态，全程可溯源；
- 内置限流重试（指数退避）与认证校验，只依赖 Python 标准库。
指定--linear-team ENG可以只导入单个团队，否则导入整个工作区。
Google Workspace：文档评论即决策轨迹
这是"决策追踪"能力最强的连接器。它不只搬运文件，还会：
- 提取已解决的评论线程作为一等公民的决策轨迹——包含问题、讨论过程、最终结论与参与人；
- 记录文件修订历史与 Drive Activity；
- 可选导入日历事件与 Gmail 元数据（
--gws-include-calendar、--gws-include-gmail）； - 用
--gws-folder-id圈定范围，避免全库扫描。
与 Linear 同时启用时，两者会自动交叉关联：Google Docs 评论或文件名中出现的 Linear Issue 引用，会生成RELATES_TO_ISSUE关系，从而拼出「会议讨论 → 文档定案 → 代码落地」的完整决策生命周期。
Claude Code / Claude AI / ChatGPT：零成本导入 AI 对话历史
三个 AI 助手连接器都不需要任何 API Key：
- Claude Code：直接解析
~/.claude/projects/下的会话 JSONL 文件，从「用户纠正、错误修复循环」中提取决策轨迹，识别开发偏好，并在入库前自动脱敏密钥，还附带 8 个会话智能 Agent 工具； - Claude AI / ChatGPT：先在官方设置页导出数据（会收到邮件下载链接），再一条命令入库：
uvx create-context-graph my-chat-graph \ --domain personal-knowledge --framework pydanticai \ --import-type chatgpt \ --import-file ~/Downloads/chatgpt-export.zip \ --import-filter-after 2025-10-01 \ --import-filter-title "python|neo4j"--import-filter-*系列参数支持按日期、标题正则过滤，--import-depth deep可让抽取更深入。你的 AI 对话历史就此变成个人知识图谱，之后任何 Agent 都能复用。
Local File：本地文档库直接入图
没有 SaaS 依赖的"兜底"连接器：把文件夹丢给它，支持.md、.pdf、.html、.docx、.adoc五种格式，每个文档拆成:Document节点、每个标题拆成:Section节点，再用HAS_SECTION、LINKS_TO边连成结构化子图：
uvx create-context-graph my-app \ --domain financial-services --framework pydanticai \ --connector local-file \ --local-file-path ./my-docs \ --local-file-pattern "**/*.md" \ --local-file-exclude "**/drafts/**" \ --ingest解析逻辑位于 connectors/_local_file/，其中 PDF 采用四级回退策略，兼顾速度与完整性。
数据如何变成图谱？——NormalizedData 统一管道 🧠
13 个连接器看似形态各异，实际都遵循同一条管道。每个连接器（继承自BaseConnector，见 connectors/init.py）都会把自己拉取的数据归一化成统一的NormalizedData结构，包含四部分：
- entities：按标签分组的实体字典；
- relationships：
type + source + target的关系列表； - documents：标题、正文与元数据；
- traces：决策轨迹（任务、结论、推理步骤）。
多连接器结果通过merge_connector_results合并后，一次性写入图谱。数据最终落入三种记忆类型（源自 neo4j-agent-memory 架构）：
- 短期记忆：对话与文档正文；
- 长期记忆：POLE+O 实体图谱（人、组织、地点、事件、对象）；
- 推理记忆：带完整来源的决策轨迹——Agent 回答时能引用"这条结论来自哪次 Linear 状态变更、哪条 Slack 讨论"。
增量再导入：make import 就够了 📚
连接器只在脚手架生成时运行一次，但项目里已经内置了导入管线，后续随时可以增量刷新数据：
make import # 从所有已配置的连接器重新拉取 make import-and-seed # 拉取并写入图谱凭据统一读取项目根目录的.env，无需再传命令行参数。
延伸阅读
- SaaS 导入完整指南：import-saas-data.md
- 本地文档导入：import-local-files.md
- AI 对话历史导入教程：import-chat-history.md
- 全部 CLI 参数：cli-options.md
- 连接器源码目录：src/create_context_graph/connectors/
从「数据散落 6 个工具」到「一张可推理的知识图谱」，create-context-graph 把 ETL 写起来最头疼的脏活——多源拉取、归一化、去重、脱敏——全部封装在 13 个开箱即用的连接器里。下一步，你可以用--list-domains看看 27 个行业领域模板，为你的团队挑一个最贴切的起点。
【免费下载链接】create-context-graph
AI agents with graph based reasoning memory, scaffolded in seconds
相关推荐
把知识图谱装进 Neo4j：Docling-Graph 图谱数据库集成与 Cypher 查询实战
把知识图谱装进 Neo4j：Docling Graph 图谱数据库集成与 Cypher 查询实战 Docling Graph 能把 PDF、图片等文档自动转换为
Cortex连接器生态盘点：14个官方连接器如何把Slack、GitHub、Zotero变成记忆源
Cortex连接器生态盘点：14个官方连接器如何把Slack、GitHub、Zotero变成记忆源 Cortex 是一款 local first（本地优先）的个
Docling-Graph 完全入门：5 分钟把 PDF 变成可查询的知识图谱
Docling Graph 完全入门：5 分钟把 PDF 变成可查询的知识图谱 📄 Docling Graph 是一款开源文档知识图谱工具，能把 PDF、图片
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
