一、引言
最近发现AI生成思维导图的解决方案普遍存在两个断层：用户需手动复制模型输出的JSON数据到脑图软件，且缺乏实时可视化反馈。基于日常使用的BaiduNaotu框架（其轻量级架构与简洁的UI设计已满足基础需求），我决定构建端到端自动化系统，实现从自然语言输入到可视化导图的零切换体验。
整个开发借助Trae的帮助花了4个小时左右开发完成，本地测试了qwen2.5、llama3.1和deepseek-r1，发现前两个很难控制输出内容，deepseek-r1很轻易的控制输出内容，不想花太多时间去搞这个问题。
以下是本项目的一些成果展示：
-
Github地址：https://github.com/xiajingg/AI-naotu
-
项目图片：
-
操作视频：
ai思维导图
二、项目实施
1. 找到开源脑图项目提取以web服务部署
首先，我们从众多开源脑图项目中筛选出适合二次开发的项目。经过对比，我选择了具有丰富功能和良好扩展性的BaiduNaotu作为基础。找到BaiduNaotu的核心代码，我将其部署为Web服务，为后续开发提供基础。
2. 增加导出原文件和导出png的功能
考虑到用户在绘制完脑图后，主要需求是导出图片，我们在原有基础上增加了导出原文件和导出png的功能。用户只需一键操作，即可将脑图保存为所需的格式。
3. 页面增加思维导图显示和数据映射
思维导图的底层是一种JSON数据结构。为了实现页面与数据的交互，我在前端页面增加了思维导图显示和数据映射功能。先实现修改数据的方式，直观地看到思维导图的变化。
4. 页面增加模型对话，对接AI（ollama模型列表和模型对话接口）
为了实现自动化输出思维导图，我们在页面中增加了模型对话功能，对接了Ollama模型的列表和对话接口。用户可以通过与AI的对话，快速生成思维导图。
测试了ollama的qwen2.5，lamma3.1和deepseek。前两个很难
5. 调试prompt生产正确的数据
通过不断调试prompt，我们确保了AI能够根据用户的输入生产正确的数据结构，从而生成准确的思维导图数据。然后通过代码校验出json数据，提取到上面的文本框里。
三、开发过程中的心得体会
1. Deepseek的优势
在尝试了其他非推理模型后，我们发现Deepseek在按照指定格式输出方面表现优异。这为我们的项目提供了有力支持。
2. Trae与Cursor的比较
在使用Trae和Cursor等AI开发工具时，我们发现Trae可以自动全局阅读文件，调用终端执行命令，命令出错了能自动获取报错数据判断错误原因继续修改。 而Cursor只能阅读手动添加的文件。这一发现为我们在后续开发中提供了更多可能性。
四、总结
后续继续深入学习大模型的原理和能力，去开发更多，更深入的大模型应用。
