指令用途

大語言模型（LLM）在使用 query_graph 進行 Cypher 圖查詢時，必須事先知道圖譜中定義了哪些 節點標籤 (Node Labels) 以及 關係類型 (Relationship Types)。如果沒有這些元數據（Metadata），AI 就會憑空猜測關係名稱，導致寫出錯誤的 Cypher 語句而執行失敗。

get_graph_schema 專為提供 圖譜結構描述 而生。它回傳當前圖譜中所有有效的節點類型（如 Class, Method, Interface）以及邊關係類型（如 CALLS, IMPLEMENTS, EXTENDS），是 AI 助手在進行語意圖查詢前必須優先調用的引導工具。

運作流程

1. 架構查詢：讀取圖譜底層的元數據字典。
2. 提取模型結構：列出所有的 Node properties（節點屬性）與 Edge direction（邊方向性）。
3. 回傳與格式化：以標準圖 Schema 描述回傳，方便 AI 進行 Cypher 語句生成。

實戰對話範例

範例：獲取圖譜 Schema 以便生成 Cypher 查詢

• You:

  /opsx:explore "我想寫一個 Cypher 來查詢類別關係。請先幫我查詢圖譜 Schema。"

• AI:

  好的，為了寫出 100% 正確的 Cypher 語句，我將首先調用 get_graph_schema 獲取圖的結構定義。

  CM 呼叫: get_graph_schema()
  CM 回傳:

  {
    "nodeLabels": ["Project", "Directory", "File", "Class", "Interface", "Method", "Field"],
    "relationshipTypes": ["CONTAINS", "DEPENDS_ON", "IMPLEMENTS", "EXTENDS", "CALLS", "AFFECTS"],
    "nodeProperties": {
      "Class": ["name", "qualifiedName", "filePath", "startLine", "endLine"],
      "Method": ["name", "qualifiedName", "filePath", "startLine", "endLine", "isAsync"]
    }
  }

  分析：
  圖譜 Schema 定義非常清晰：

  • 類別節點為 Class，包含 qualifiedName 屬性。
  • 方法節點為 Method，與類別是 CONTAINS（包含）關係，方法間是 CALLS（呼叫）關係。

  現在我可以使用這些精確的標籤，為您撰寫查詢呼叫關係的 Cypher 語句了。