10分钟上手！用Yi大模型生成专业思维导图的Prompt心法

【免费下载链接】Yi 项目地址: https://gitcode.com/GitHub_Trending/yi/Yi

你是否还在为整理复杂知识体系而烦恼？是否尝试过用AI生成思维导图却得到混乱的结果？本文将揭秘如何通过精心设计的提示词（Prompt）工程，让Yi大模型（如Yi-large）成为你的思维导图生成专家，10分钟内完成从零散信息到结构化知识图谱的转变。

为什么选择Yi生成思维导图？

Yi大模型系列以其强大的中文理解能力和逻辑推理能力著称，特别适合处理需要结构化输出的任务。通过基于yi-large构建思维导图生成器项目，我们可以将Yi的文本理解能力转化为可视化的知识结构。

思维导图生成流程.png)

环境准备与基础配置

开发环境搭建

在开始之前，请确保你的开发环境满足以下要求：

1. Python 3.8+环境
2. 必要依赖库安装：

pip3 install flask openai PyPDF2

项目结构

推荐的项目结构如下（完整代码可参考思维导图生成器项目）：

yi_mindmap_app/
├── app.py                # 后端核心代码
├── templates/
│   └── index.html        # 前端页面
├── static/               # 静态资源
└── uploads/              # 文件上传目录

Prompt工程核心技巧

基础结构模板

一个有效的思维导图生成Prompt应包含以下要素：

你是一位专业的思维导图设计师。请根据以下主题创建一个层次分明、逻辑清晰的思维导图：

主题：{用户输入的主题}

要求：
1. 使用缩进表示层级关系（一级主题无缩进，二级主题缩进2空格，三级主题缩进4空格）
2. 每个节点包含简短精炼的关键词或短语
3. 至少包含3个主要分支和5个层级
4. 确保逻辑分类合理，避免交叉重复

进阶优化策略

1. 领域限定提示

为特定领域优化的Prompt示例：

你是一位专业的Python编程教育专家。请为"Python数据分析入门"创建思维导图：

要求：
- 重点突出NumPy、Pandas、Matplotlib三个核心库
- 包含数据清洗、转换、分析、可视化四个阶段
- 每个技术点标注学习优先级（★：必学，☆：选学）
- 使用专业术语，保持学术严谨性

2. 结构引导提示

当需要特定结构的思维导图时，可以直接指定分支框架：

为"项目管理"创建思维导图，必须包含以下一级分支：
1. 项目启动
2. 规划阶段
3. 执行过程
4. 监控与控制
5. 收尾总结

每个分支下至少包含3个二级主题，并适当扩展三级细节。使用树形结构展示。

完整实现代码示例

后端核心代码

以下是调用Yi大模型生成思维导图的核心代码（完整代码见app.py）：

def generate_mind_map_from_text(text):
    try:
        completion = client.chat.completions.create(
            model="yi-large",
            messages=[
                {"role": "system", "content": "你是一位专业的思维导图生成专家，能将文本内容转化为层次分明的结构化思维导图。请使用缩进表示层级关系，一级主题无缩进，二级主题缩进2空格，三级主题缩进4空格，以此类推。确保逻辑清晰，分类合理。"},
                {"role": "user", "content": f"基于以下文本创建思维导图：{text[:4000]}"}
            ]
        )
        
        llm_response = completion.choices[0].message.content
        return parse_llm_response_to_mind_map(llm_response)
    except Exception as e:
        print(f"生成思维导图时出错: {str(e)}")
        return {"name": "错误", "children": [{"name": str(e)}]}

前端可视化展示

使用D3.js实现思维导图可视化（完整代码见index.html）：

function createMindMap(data) {
    const width = 800;
    const height = 600;
    
    d3.select("#mind-map").selectAll("*").remove();
    
    const svg = d3.select("#mind-map")
        .append("svg")
        .attr("width", width)
        .attr("height", height);
    
    const g = svg.append("g")
        .attr("transform", `translate(${width / 2},${height / 2})`);
    
    const tree = d3.tree()
        .size([2 * Math.PI, Math.min(width, height) / 2 - 100]);
    
    const root = d3.hierarchy(data);
    tree(root);
    
    // 绘制连接线
    const link = g.selectAll(".link")
        .data(root.links())
        .enter().append("path")
        .attr("class", "link")
        .attr("d", d3.linkRadial()
            .angle(d => d.x)
            .radius(d => d.y));
    
    // 绘制节点
    const node = g.selectAll(".node")
        .data(root.descendants())
        .enter().append("g")
        .attr("class", "node")
        .attr("transform", d => `rotate(${d.x * 180 / Math.PI - 90}) translate(${d.y},0)`);
    
    node.append("circle").attr("r", 4);
    node.append("text")
        .attr("dy", "0.31em")
        .attr("x", d => d.x < Math.PI === !d.children ? 6 : -6)
        .attr("text-anchor", d => d.x < Math.PI === !d.children ? "start" : "end")
        .attr("transform", d => d.x >= Math.PI ? "rotate(180)" : null)
        .text(d => d.data.name);
}

实际应用案例

案例1：学习路线生成

输入主题："机器学习入门学习路线"，使用领域限定Prompt生成的思维导图：

机器学习学习路线.png)

案例2：PDF内容解析

通过上传PDF文件自动生成思维导图的流程：

1. 上传PDF文件（支持学术论文、报告等）
2. 提取文本内容：

def extract_text_from_pdf(file_path):
    with open(file_path, 'rb') as file:
        reader = PdfReader(file)
        text = ""
        for page in reader.pages:
            text += page.extract_text()
    return text

3. 调用Yi大模型生成结构化思维导图
4. 可视化展示结果

PDF解析流程.png)

常见问题与解决方案

思维导图层级过深或过浅

问题：生成的思维导图要么过于简单，要么层级嵌套过多。

解决方案：在Prompt中明确指定层级要求：

严格控制思维导图层级，最多不超过4级。主要分支控制在3-5个，每个分支下的子节点不超过5个。确保信息密度适中，避免过细或过粗。

逻辑分类不合理

问题：主题分类混乱，存在交叉重复。

解决方案：提供分类示例并要求遵循MECE原则：

请遵循MECE原则（相互独立，完全穷尽）组织内容，确保每个分类之间无重叠，且所有相关内容都被包含。例如：
- 正确：[数据类型]包括[数值型]、[分类型]、[文本型]
- 错误：[数据类型]包括[数值型]、[连续型]、[字符串]（存在交叉）

高级应用与扩展

批量生成与导出

通过扩展app.py中的功能，可以实现批量生成和多种格式导出（PNG、SVG、PDF）。

与知识库集成

结合RAG技术，将思维导图生成与企业知识库集成，实现基于内部文档的智能知识结构化。相关实现可参考基于LlamaIndex和Yi-large构建智能问答系统。

总结与下一步

通过本文介绍的Prompt工程技巧，你已经能够使用Yi大模型生成高质量的思维导图。关键要点包括：

1. 使用清晰的层级结构提示
2. 明确指定领域和专业要求
3. 提供结构引导和示例
4. 控制输出格式和复杂度

下一步，你可以尝试：

• 开发更友好的用户界面
• 集成更多可视化效果
• 优化长文本处理能力
• 添加协作编辑功能

完整项目代码和更多应用案例，请参考官方文档和思维导图生成器教程。

提示：本文中的所有代码示例均可在项目仓库中找到，建议结合实际代码进行学习和实践。

【免费下载链接】Yi 项目地址: https://gitcode.com/GitHub_Trending/yi/Yi