案例：mixed-corpus

案例簡介

一個小型的混合輸入語料：3 個 Python 模組 + 一篇帶 arXiv 引用的論文筆記 + 一張圖。測試 graphify 對不同檔案型別在同一次 run 的處理——包括 attention_notes.md 被偵測為「paper」（arXiv 啟發式命中 1706.03762）。

圖資料沿用上游（含論文節點），我們用 graphify 0.9.36 重新分群並產生互動圖。

我們怎麼跑的

# 完整重現需 LLM key（markdown + 圖片要語意抽取）
graphify extract ./raw

# 本站做法：從上游 graph.json 重新分群
python scripts/gen-case-html.py graph.json graph.html GRAPH_REPORT.md

# 或只用程式碼部分（零 key）：
graphify extract ./raw --code-only

互動知識圖譜

22 個節點的小圖——三模組 + 論文節點。

我們的數字

小圖 INFERRED 比例高（19 條），因為模組間互相 import 的解析占了主體。

God Nodes 解說

1. _cross_file_surprises() — 7 條邊
2. _is_file_node() — 5 條邊
3. _cross_community_surprises() — 5 條邊
4. _node_community_map() — 4 條邊
5. _is_concept_node() — 4 條邊
6. _surprise_score() — 4 條邊
7. suggest_questions() — 4 條邊
8. god_nodes() — 3 條邊
9. surprising_connections() — 3 條邊
10. _file_category() — 2 條邊

有趣的是：這裡的 god nodes 全是 analyze.py 的內部函數——因為語料本身就是「圖分析」模組（analyze.py / build.py / cluster.py），所以圖分析自己的程式碼變成被分析的對象。

Surprising Connections 解說

• _surprise_score() --calls--> _cross_file_surprises() — 分析函數互相呼叫的結構被忠實重現。

這案例真正的看點是「自我指涉」：用圖分析工具分析圖分析工具的程式碼。

重現

# 語料在 upstream worked/mixed-corpus/raw。完整版需 LLM key。