Obsidian Graph Query

在 Obsidian vault 的連結結構上執行圖查詢。底層資料來自 app.metadataCache.resolvedLinks（完整鄰接表），透過 JS eval 執行圖演算法。

---

前置條件

執行任何查詢前：

1. 讀取 references/vault-config.md 取得：
   • <CLI>：Obsidian CLI 可執行檔路徑
   • <VAULT>：vault 名稱（用於 vault= 參數）
   • EXCLUDED_FOLDERS：排除資料夾列表（JSON 陣列）
   • RELATIONSHIP_FIELDS：關係欄位列表（JSON 陣列）
2. 確認 Obsidian 正在執行中
3. 若 vault-config.md 不存在，提示用戶從 vault-config.md.template 複製並填寫

---

查詢選擇指引

根據使用者的問題類型選擇查詢：

使用者問題
├─ 「這篇筆記周圍有什麼？」          → neighbors
├─ 「A 和 B 怎麼連在一起？」         → path
├─ 「這篇筆記能觸及多少筆記？」       → cluster
├─ 「哪些筆記最重要？」              → hubs
├─ 「哪些筆記是孤立的？」            → orphans-rich
├─ 「知識圖譜的結構弱點在哪？」       → bridges
├─ 「這篇筆記和鄰居是什麼關係？」     → relationship-summary
└─ 「vault 整體狀況如何？」          → vault-stats

---

查詢索引

#	查詢名稱	用途	參數	模板位置
1	neighbors	找 N 層鄰居	NOTE_PATH, MAX_HOPS=2	query-templates.md §1
2	path	兩筆記間最短路徑	FROM_PATH, TO_PATH	query-templates.md §2
3	cluster	連通子圖（所有可達筆記）	NOTE_PATH	query-templates.md §3
4	bridges	橋接邊 + 關鍵節點	無	query-templates.md §4
5	hubs	Top N 連結度	TOP_N=20, FOLDER_FILTER=''	query-templates.md §5
6	orphans-rich	孤立筆記 + frontmatter	FOLDER_FILTER=''	query-templates.md §6
7	frontmatter-relations	關係欄位擷取	NOTE_PATH	query-templates.md §7
8	vault-stats	Vault 全域統計	無	query-templates.md §8
9	suggest-links	潛在連結提示（提示思考，非直接連結）	MAX_SUGGESTIONS=30, FRONTMATTER_MAPPING	query-templates.md §9

relationship-summary 和 /health 不是單一模板，而是多步驟 Agent 工作流（見下方）。

---

執行模式

步驟

1. 讀取設定：從 references/vault-config.md 讀取 CLI 路徑、vault 名稱、排除資料夾、關係欄位
2. 讀取模板：從 references/query-templates.md 讀取對應 JS 模板
3. 代入參數：
   • 將 {{EXCLUDED_FOLDERS}} 替換為 vault-config.md 中的排除資料夾 JSON 陣列
   • 將 {{RELATIONSHIP_FIELDS}} 替換為 vault-config.md 中的關係欄位 JSON 陣列
   • 將 {{FRONTMATTER_MAPPING}} 替換為 vault-config.md 中「Frontmatter 欄位映射」的 JSON 物件。預設：{ "domain": "專業", "source": "來源", "noteType": "筆記類型" }
   • 將其他 {{PARAM}} 佔位符替換為用戶提供的值
   • 字串逃逸：代入 {{NOTE_PATH}}、{{FROM_PATH}}、{{TO_PATH}}、{{FOLDER_FILTER}} 前，將值中的 ' 替換為 \'（這些佔位符在模板中被單引號包裹）
   • 數字驗證：{{MAX_HOPS}} 必須是 1-5 的正整數，{{TOP_N}} 必須是 1-100 的正整數。超出範圍時使用預設值（MAX_HOPS=2, TOP_N=20）
4. 寫入暫存檔：用 Write 工具寫到 /tmp/obsidian_graph_query.js
5. 執行：用 Bash 工具執行：

   <CLI> vault="<VAULT>" eval code='eval(require("fs").readFileSync("C:/tmp/obsidian_graph_query.js","utf8"))'
   

   Windows 路徑：Write 工具用 /tmp/...，eval 中用 C:/tmp/... macOS/Linux：兩者都用 /tmp/...

6. 解析：輸出為 JSON 字串，解析後轉為 Markdown 呈現

---

筆記名稱解析

用戶通常只給部分名稱（如「那篇關於 BFS 的筆記」）。解析流程：

1. 用 Obsidian CLI 的 search 指令搜尋：

   <CLI> vault="<VAULT>" search query="BFS" limit=5
   

2. 從結果中取得完整路徑（如 notes/演算法/BFS.md）
3. 將完整路徑代入模板的 {{NOTE_PATH}}

重要：模板中的路徑必須是從 vault root 開始的完整相對路徑，含副檔名（.md）。

---

篩選選項

資料夾篩選

hubs 和 orphans-rich 支援 FOLDER_FILTER 參數：

• 空字串 ''：不篩選（全 vault）
• 資料夾前綴：如 'notes/'（含尾部斜線）

Frontmatter 篩選

若需依 frontmatter 屬性篩選，在查詢結果上做後處理：

1. 先跑 hubs/orphans-rich 取得結果
2. 對結果中的筆記用 properties 指令逐一查 frontmatter
3. 過濾不符條件的筆記

---

關係分析工作流（relationship-summary）

這是一個多步驟 Agent 流程，不是單一模板。

適用場景

• 「這篇筆記和哪些筆記有什麼關係？」
• 「A 和 B 之間是什麼關係？」
• 「分析某主題下的筆記結構」

流程

1. 判斷範圍
   ├─ 單篇筆記 → neighbors(maxHops=1) + frontmatter-relations
   ├─ 兩篇筆記 → path + 兩端 frontmatter-relations
   └─ 主題/資料夾 → hubs(folderFilter) + 抽樣分析

2. 執行圖查詢，取得結構性資料

3. 讀取 frontmatter 關係欄位
   └─ 用 frontmatter-relations 模板查設定中的關係欄位

4. 檢查 inline dataview fields（可選）
   ├─ 用 Obsidian CLI read 指令讀取筆記內容
   └─ 正則解析：\[(\w+)::\s*\[\[([^\]]+)\]\]\]

5. 無標註連結 → LLM 推理（可選）
   ├─ 讀取兩端筆記前 500 字
   ├─ 比對共同 frontmatter 屬性
   └─ 依 relationship-types.md 的 prompt 模板推理

6. 產出關係摘要
   ├─ 標明來源：✅ frontmatter / ✅ inline / 🤖 LLM 推理
   └─ 表格或圖形呈現

關係類型參考

詳見 references/relationship-types.md：

• 關係欄位定義範例
• Inline dataview 解析方式
• LLM 推理 prompt 模板
• 解析優先順序

---

NEVER

• NEVER 直接在 eval code= 參數中寫完整 JS 程式碼——一定要寫到暫存檔再用 fs.readFileSync 載入，否則引號跳脫會炸
• NEVER 在 {{NOTE_PATH}} 中使用筆記名稱而非完整路徑——必須是從 vault root 開始的相對路徑，含 .md 副檔名
• NEVER 在未確認 Obsidian 正在執行的情況下跑查詢——會靜默失敗
• NEVER 對 {{MAX_HOPS}} 代入大於 5 的值——BFS 會遍歷整個圖，輸出過大
• NEVER 假設 resolvedLinks 中的 key 存在就代表有連結——可能是 0 個連結的空 entry
• NEVER 在字串佔位符（{{NOTE_PATH}} 等）中代入含單引號 ' 的值而不做逃逸——會破壞 JS 語法

---

健康檢查工作流（/health）

一次性掃描 vault 結構健康度，產出健康報告 + 行動建議。

適用場景

• 「vault 健康嗎？」「/health」
• 「知識庫有什麼問題？」
• 定期（每月）vault 體檢

流程

1. 讀取設定（vault-config.md）
2. 執行三個 eval 查詢：
   ├─ 2a. vault-stats（§8）→ 基礎 KPI
   ├─ 2b. bridges（§4）→ 結構風險
   └─ 2c. suggest-links（§9）→ 連結建議
3. 計算 KPI + 判定健康等級
4. 產出健康報告（Markdown）

KPI 定義

KPI	白話解釋	來源欄位	🟢 健康	🟡 注意	🔴 警告
孤島筆記比例	完全沒有連結的筆記佔多少	orphanRatio	<10%	10-25%	>25%
知識網連通度	最大一群互相連通的筆記佔全部多少（越高代表知識網越完整）	largestComponentRatio	>80%	50-80%	<50%
平均連結數	每篇筆記平均連到幾篇其他筆記	avgLinksPerNote	>3.0	1.5-3.0	<1.5
跨資料夾連結率	連結中有多少是跨不同資料夾的（越高代表知識整合越好）	crossFolderRatio	>20%	10-20%	<10%
關鍵樞紐依賴度	如果拿掉某幾篇筆記，知識網會斷成好幾塊——這種筆記佔多少	articulationPoints / totalNotes	<5%	5-15%	>15%
單向連結率	只連出去但沒有被任何筆記連回來的比例	outOnlyCount / totalNotes	<5%	5-15%	>15%

輸出格式

# Vault 健康報告

> 時間：YYYY-MM-DD | Vault：<name> | 筆記數：N

## 總體評價：[大致健康 / 有改善空間 / 需要關注]

## KPI 儀表板

| 指標 | 數值 | 狀態 | 說明 |
|------|------|------|------|
| 孤島筆記比例 | 15.2% | 🟡 注意 | 有 X 篇筆記沒有任何連結 |
| ... | ... | ... | ... |

## 結構風險

以下筆記是知識網的「關鍵樞紐」——它們連接了不同的知識群落，如果被刪除可能導致知識網斷裂：
- 筆記名（連結數: N）

## 連結建議

### 孤島筆記救援（Top 10）

這些筆記目前沒有任何連結，但根據標籤和屬性，它們可能跟以下筆記有關：

| 孤島筆記 | 建議連結到 | 相似度 | 相似原因 |
|---------|----------|--------|---------|
| ... | ... | ... | ... |

### 可能遺漏的連結（Top 10）

這些筆記對有很多共同的鄰居，但彼此之間卻沒有直接連結，值得檢查是否該建立關係：

| 筆記 A | 筆記 B | 共同鄰居數 | 相似度 |
|--------|--------|----------|--------|
| ... | ... | ... | ... |

## 行動建議

1. （基於最嚴重的 KPI，給出 3-5 條具體可執行的建議）
2. 若發現特定性質的筆記（如每日筆記、日記）本身不需要連結卻大幅拉低 KPI，建議用戶將該資料夾加入排除清單後重跑一次，以取得更貼近核心知識筆記的健康數據。

suggest-links 排除建議

如果 vault 中有本身不需要連結的筆記類型（如每日筆記、日記、閃念），建議在跑 suggest-links 時將這些資料夾加入 EXCLUDED_FOLDERS 排除清單，以降低噪音、突顯有價值的建議。首次 /health 可先含全部筆記，若發現特定資料夾大幅拉低 KPI，建議過濾後重跑一次。

健康等級判定

• 大致健康：所有 KPI 為 🟢 或最多 1 個 🟡
• 有改善空間：2+ 個 🟡 或 1 個 🔴
• 需要關注：2+ 個 🔴

---

輸出慣例

Markdown 呈現

查詢	呈現方式
neighbors	按層分組的列表，每層標示 hop 數
path	箭頭串連的路徑：A → B → C（標示 hops 數）
cluster	按資料夾分組的表格（truncated 時顯示計數）
bridges	兩個表格：橋接邊 + 關鍵節點（含 degree）
hubs	排序表格：筆記名、in-degree、out-degree、total
orphans-rich	表格：筆記名、修改日期、frontmatter 摘要
frontmatter-relations	關係表格 + 連結統計
vault-stats	JSON 結構化數據（由 vault-report 工作流消費，不直接呈現）
suggest-links	JSON 結構化數據（潛在連結提示——Agent 以學習陪伴者角色，用此數據作為上下文向用戶提問、引導討論，讓用戶在思考過程中自然判斷是否該連結、用什麼關係連結，或根本不需要連）
/health	完整 Markdown 健康報告（Agent 綜合三個查詢結果產出）

大量結果截斷

• neighbors: 超過 50 個鄰居時只顯示 top 50（依 degree 排序）
• cluster: 超過 500 節點時自動切換資料夾計數模式
• orphans-rich: 最多 100 筆
• bridges: 最多 50 條橋接邊 + 30 個關鍵節點
• hubs: 由 TOP_N 控制（預設 20）
• vault-stats: componentSizes 最多 20 個、outOnlyNotes 最多 50 筆
• suggest-links: orphanSuggestions 最多 30 筆、missingLinkSuggestions 最多 30 筆

筆記名稱顯示

輸出時去除路徑前綴和 .md 副檔名，只顯示筆記名稱。但若有同名筆記在不同資料夾，則保留資料夾名稱以區分。