Generate Mindmap

生成交互式思维导图，支持从文本/摘要构建层级结构，直接输出 HTML、PNG、JPG、SVG、PDF、XMind 格式。所有图片格式仅需 pillow（pip install pillow），无需任何系统级C库。当用户要求生成思维导图、脑图、可视化结构图时调用。

Mind Map Generator — 思维导图生成器

触发时机

• 用户说"生成思维导图"、"画脑图"、"做一个思维导图"
• 用户总结文章/内容后说"帮我做成思维导图"
• 用户说"把这些内容可视化"、"帮我梳理结构"
• 用户说"导出为 XMind / PNG / JPG / PDF"等格式

---

输出格式与依赖

所有平台（Windows / macOS / Linux）统一依赖，只需 pip install pillow：

格式	说明	依赖
html	默认。交互式网页，支持拖拽/折叠/缩放/右键编辑/8种布局切换	无
svg	矢量图，无限缩放不失真	无
xmind	XMind 8 / 2020+ 格式，可继续编辑	无
png	高清位图，适合嵌入文档/PPT/分享	pillow
jpg	JPEG 位图，体积小	pillow
pdf	PDF 文档	pillow

不需要安装任何系统级 C 库。 如果 Pillow 未安装，脚本会自动执行 pip install pillow。

首次安装（一行命令）

pip install pillow

---

推荐的多格式输出策略

用户要求生成思维导图时，默认同时输出 HTML + PNG + XMind 三种格式，除非用户明确指定只要某种格式：

DATA='{
  "central": "核心洞见",
  "branches": [
    {"label": "🔬 维度1", "color": "#4A90D9", "children": ["证据A", "证据B"]}
  ]
}'

# 1. HTML（交互式，浏览器查看/编辑）
python3 {baseDir}/generate_mindmap.py \
  --title "标题" --format html \
  --output ~/.openclaw/workspace/标题.html --data "$DATA"

# 2. PNG（高清图片，直接分享）
python3 {baseDir}/generate_mindmap.py \
  --title "标题" --format png --scale 2.0 \
  --output ~/.openclaw/workspace/标题.png --data "$DATA"

# 3. XMind（专业思维导图软件中编辑）
python3 {baseDir}/generate_mindmap.py \
  --title "标题" --format xmind \
  --output ~/.openclaw/workspace/标题.xmind --data "$DATA"

参数说明：

• --format html/png/jpg/svg/pdf/xmind（默认 html）
• --output 输出路径（可省略，默认保存到 ~/.openclaw/workspace/）
• --scale PNG/JPG/PDF 的像素密度（默认 2.0，建议 1.0–3.0）
• --quality JPG 质量 1–100（默认 92）

---

认知科学基础：为什么这样做思维导图

以下原则基于四大认知理论，指导 AI 生成高质量思维导图：

放射性思考（Buzan）— 结构原则

Tony Buzan 提出思维导图模拟大脑神经元的放射状结构：从中心向外发散，每条分支是一个独立的联想链。

对生成的要求： 中心节点是唯一的焦点，所有分支从它辐射而出，不存在"并列的两个中心"。

双重编码理论（Paivio）— 记忆原则

Allan Paivio 发现：同时通过语言通道和视觉通道编码的信息，记忆率提升约 32%。具体词（可想象的）比抽象词记忆效果好得多。

对生成的要求：

1. 每个主分支必须带 emoji（激活视觉通道）—— 如 "🔬 技术演进" 而非 "技术演进"
2. 优先使用具体词而非抽象概括 —— 如 "训练成本降至 6 万" 而非 "成本下降"
3. 颜色即编码 —— 每个分支的颜色应与语义一致，同色系 = 同语义域

认知负荷与米勒定律（Miller）— 容量原则

工作记忆同时处理的信息块为 7±2 个。Beel & Langer 对 19,379 张思维导图的实证研究发现：典型思维导图平均 31 个节点，每节点 1-3 个词。

对生成的硬约束：

• 主分支 3–6 个（不超过 7）
• 每个分支的子节点 2–5 个
• 每个节点 4–12 字，叶节点不超过 15 字
• 全图总节点数 ≤ 40 个（超过则拆分为多张图或合并子节点）
• 全图最多 4 层深度

语义网络（Quillian & Collins）— 关联原则

知识在大脑中以语义网络形式存储：概念是节点，关系是连线。节点间的距离代表语义距离——相关的概念应该在视觉上靠近。

对生成的要求： 语义相近的子节点应聚合在同一个分支下（聚类原则），而不是按原文出现顺序排列。

---

第一步：确定中心节点（最重要）

中心节点决定整张图的质量。它是核心洞见，不是话题标签。

错误示范（话题标签）：

• ❌ "AI 发展趋势"
• ❌ "产品发布计划"
• ❌ "Python 学习"

正确示范（核心洞见）：

• ✅ "AI 正从工具变为协作者"
• ✅ "产品成功 = 用户价值 × 执行速度"
• ✅ "Python 的价值在于生态而非语法"

判断方法：

1. 问自己"关于这个内容，最重要的一件事是什么？" 答案就是中心节点。
2. 如果中心节点换成另一个话题，现有分支还能成立 → 说明太泛，需要更精确。

---

第二步：设计主分支（维度而非章节）

主分支是"理解中心洞见的独立视角"，不是原文的章节目录。

按内容类型选择维度框架

内容类型	分支维度框架	推荐布局
分析/研究类	是什么 · 为什么 · 怎么做 · 结果如何	⇆ 左右均衡
问题解决类	根因 · 影响 · 方案 · 评估	🐟 鱼骨图
学习知识类	核心概念 · 运作机制 · 适用场景 · 常见误区	⇆ 左右均衡
产品/项目类	目标 · 策略 · 执行 · 风险	→ 树形
比较分析类	相同点 · 差异点 · 各自优势 · 选择建议	⇆ 左右均衡
叙事/报告类	背景 · 发现 · 影响 · 行动	→ 树形
历史/阶段/流程	按时间或步骤顺序排列	⏩ 时间线
概念分解/归类	整体 → 部分1 + 部分2 + ...	} 括弧图
头脑风暴/创意发散	自由联想，不预设框架	✶ 辐射 或 ⚡ 力导向

分支设计原则

原则 1：分支之间必须相互独立（语义网络的聚类原则）

每个分支回答关于中心节点的一个不同问题。语义相近的内容聚合在同一分支下。

原则 2：所有分支必须共同服务于中心节点

反问："去掉这个分支，对理解中心节点有损失吗？" 无损失 → 该分支冗余，删除。

原则 3：分支数量 3–6 个（米勒定律）

不以"原文有几节"为准。超过 7 个分支时必须合并。

原则 4：同级分支的抽象层次必须一致

❌ 错误：同级出现"技术原理"（抽象）和"GPT-4"（具体实例） ✅ 正确：同级都是维度（"技术路线"、"商业模式"、"社会影响"）

每个主分支必须带 emoji（双重编码）

emoji 的作用是激活视觉编码通道，使分支在记忆中形成"图像锚点"。选择规则：

• emoji 应直观反映该维度的语义核心
• 同一张图内 emoji 不重复
• 置于 label 最前面："🔬 技术演进" "💰 商业模式" "⚠️ 风险挑战"

语义域	推荐 emoji
技术/科学	🔬 🧪 ⚙️ 🔧 💻
商业/金融	💰 📈 🏦 💼 🎯
人物/用户	👤 👥 🧑‍💻 🎓
风险/问题	⚠️ 🚧 ❗ 🔴
趋势/时间	📅 🔮 📊 🕐
成果/价值	✅ 🏆 💡 ⭐
流程/步骤	🔄 📋 🗺️ 🛤️
背景/历史	📖 🏛️ 🌍 🗂️

---

第三步：填充子节点（证据而非子话题）

子节点不是"这个分支下还有哪些话题"，而是"让这个分支成立的具体依据"。

优先使用具体词（双重编码）

具体的、可想象的词比抽象词记忆效果好 1.5-2 倍（Paivio 实验数据）。

子节点类型	示例	作用
具体机制	"注意力机制使模型聚焦关键词"	解释"为什么"
量化数据	"GPT-4 训练成本超 1 亿美元"	使声明可信
典型案例	"Copilot 使代码效率提升 55%"	使抽象具体
对比参照	"vs 传统搜索：主动生成 vs 被动检索"	揭示差异
行动指南	"先用小数据集验证再扩规模"	指导实践
关键限制	"幻觉率随任务复杂度非线性上升"	防止误用

层级深度规则

中心节点（1 个）
  └── 主分支（3–6 个）    ← 理解维度，带 emoji，抽象词组
        └── 子节点（2–5 个）  ← 支撑证据，具体词组或短句
              └── 叶节点（可选，1–3 个）  ← 最具体的事实/数据/步骤

• 全图最多 4 层，总节点 ≤ 40 个
• 每个主分支至少 2 个子节点（1 个说明未充分挖掘）
• 叶节点不超过 3 个（太多说明需要再拆一层）

---

第四步：节点文字规范

规则	正确	错误
使用原文关键词，不过度意译	"联邦学习"	"一种保护数据的分布式方法"
动词短语比名词堆砌更有力	"降低推理延迟 40%"	"推理延迟优化相关内容"
长度 4–12 字	"本地训练不传原始数据"	过长的完整句子
并列内容拆成独立节点	三个节点："医疗" / "教育" / "金融"	一个节点："医疗教育金融"
越深层越具体（认知负荷递减）	叶节点写具体数字/步骤/案例	叶节点写抽象标签

---

第五步：质量自查（生成后必检）

生成 JSON 后，逐条检查，不合格立即修改：

容量检查（米勒定律）：

• 总节点数是否 ≤ 40？（超过则合并或拆分）
• 主分支是否 3–6 个？
• 每个节点是否 ≤ 12 字？

必要性检查（认知负荷）：

• 删去任意一个主分支，对理解中心节点的损失是否明显？（不明显 → 删除该分支）
• 每个子节点是否使其父分支更可信/更具体？（否 → 删除或替换）
• 是否存在"正确的废话"节点？（如"需要进一步研究" → 删除）

双重编码检查：

• 每个主分支是否带了 emoji？
• 叶节点是否用了具体的、可想象的词？（抽象标签 → 替换为具体事实）
• 颜色是否与语义一致？（同类维度同色系）

结构检查（放射性思考）：

• 中心节点是核心洞见还是话题标签？
• 同级分支的抽象层次是否一致？
• 是否有只含 1 个子节点的分支？（合并或补充）

---

第六步：构造 JSON 并执行

⚠️ 强制规则：每个主分支的 label 必须以 emoji 开头。 格式："label": "🔬 技术演进" —— emoji + 空格 + 文字。 这是基于双重编码理论的硬性要求，不可省略。

{
  "central": "核心洞见（不超过 15 字）",
  "branches": [
    {
      "label": "🔬 维度1（emoji 必须有）",
      "color": "#4A90D9",
      "children": [
        "具体证据A（可想象的词）",
        "量化数据B",
        {
          "label": "需要展开的证据C",
          "children": ["最具体的事实1", "最具体的事实2"]
        }
      ]
    }
  ]
}

颜色分配建议（按分支语义选色）：

颜色	适用维度	搭配 emoji
#4A90D9 蓝	机制/原理/方法论	🔬 ⚙️ 🧪
#27AE60 绿	成果/价值/应用	✅ 💡 🏆
#E86C3A 橙	问题/挑战/风险	⚠️ 🚧 ❗
#9B59B6 紫	背景/趋势/上下文	📖 🔮 🌍
#F39C12 黄	资源/工具/要素	🔧 📦 💼
#1ABC9C 青	流程/步骤/路径	🔄 🛤️ 📋
#E74C3C 红	警告/限制/禁忌	🔴 ⛔ 🚫

脚本路径：{baseDir}/generate_mindmap.py

---

完整示例

DATA='{
  "central": "技术壁垒正被成本竞争取代",
  "branches": [
    {
      "label": "🔬 技术门槛变化", "color": "#4A90D9",
      "children": [
        {"label": "训练成本下降", "children": ["GPT-3 成本 460万刀", "同能力模型降至 6 万"]},
        "开源模型追平闭源", "微调替代全量训练"
      ]
    },
    {
      "label": "💰 主流盈利路径", "color": "#27AE60",
      "children": [
        "API 按 token 计费",
        {"label": "垂直行业定制", "children": ["医疗合规要求高溢价", "法律文档审核替代人工"]},
        "订阅制 Pro 用户"
      ]
    },
    {
      "label": "⚔️ 竞争驱动力", "color": "#E86C3A",
      "children": ["价格战压缩利润空间", "算力即竞争壁垒", "数据飞轮强者愈强"]
    },
    {
      "label": "📜 监管不确定性", "color": "#9B59B6",
      "children": [
        {"label": "欧美监管分歧", "children": ["EU AI Act 强制备案", "美国行业自律为主"]},
        "中国实名制与内容审核", "合规成本影响中小玩家"
      ]
    }
  ]
}'

python3 {baseDir}/generate_mindmap.py --title "大模型商业化" --format html  --output ~/.openclaw/workspace/大模型商业化.html  --data "$DATA"
python3 {baseDir}/generate_mindmap.py --title "大模型商业化" --format png   --output ~/.openclaw/workspace/大模型商业化.png   --data "$DATA"
python3 {baseDir}/generate_mindmap.py --title "大模型商业化" --format xmind --output ~/.openclaw/workspace/大模型商业化.xmind --data "$DATA"

执行成功后告知用户（必须包含完整的绝对路径，方便用户查找文件）：

思维导图已生成三种格式，保存在以下位置：

• HTML：<绝对路径>/大模型商业化.html —— 用浏览器打开，支持交互查看、编辑节点、切换 8 种布局
• PNG：<绝对路径>/大模型商业化.png —— 高清图片，可直接嵌入文档或分享
• XMind：<绝对路径>/大模型商业化.xmind —— 可在 XMind 软件中打开继续编辑

其中 <绝对路径> 替换为脚本实际输出的路径（从脚本的 stdout 中获取，格式为 [mindmap] ✅ HTML → /完整/路径/文件名.html）。

---

内置示例文件

{baseDir}/examples/ 目录中包含可直接打开的示例：

文件	说明
examples/ai_trends.html	AI 发展趋势（5 主分支，3 层嵌套）
examples/product_launch.html	产品发布计划
examples/python_learning.html	Python 学习路径