Ideator：用知识图谱让AI告诉你该做什么产品

创业者验证一个想法，通常要开二十个浏览器标签页，翻遍应用商店和Reddit，最后得到一份竞品清单，却依然不知道第一版该做什么。聊天助手也解决不了问题——同一个问题问两次，得到的答案可能完全不同。

开发者Ronak Sarda在Hacktoberfest开源AI挑战赛第二周提交了一个名为Ideator的项目，试图把"竞品调研"变成"可执行的建品决策"。它的核心思路是：把搜索结果落成一张知识图谱，让Gemma智能体在图上推理，最终输出一份带来源的构建简报。

从竞品清单到五格决策简报

Ideator的用法很简单：用户用一句话输入想法，系统并行执行三路实时搜索——Google找竞品、Google Play找真实应用名称与定价、Reddit找用户抱怨。Gemma把原始结果清洗成结构化记录，写入FalkorDB图数据库。

每个会话拥有独立图谱，节点包括公司、价格、功能与抱怨（Grievance）。随后Gemma智能体通过MCP工具逐步查询图谱，最终每条回复都以一份五格构建简报收尾：

槽位	含义
谁付费	精确的付费人群
解决什么痛	你修复的那一条抱怨，带提出人数
凭什么赢	相对点名竞品的优势
定价	带理由的美元价格（来自TabPFN模型）
第一版	v1只交付2-3件事，其余不做

其中"痛点"和"定价"由证据自动填充，其余三项由用户决定，Ideator会逐个追问并附上基于证据的建议。几轮对话后，用户得到完整简报；行动方案标签页给出段落版计划和编号构建顺序，每条用户引述都可点击回到来源。

图谱推理：找到"未被回应的抱怨"

这个项目最有意思的技术设计，是把市场调研建模为图上的多跳查询。承担主要工作量的一条Cypher查询，寻找的是"多个竞品用户都在抱怨、而你的想法尚未解决"的功能点：

MATCH (u:UserIdea {id: $idea})-[:TARGETS]->(c:Competitor)
      -[:DRAWS_COMPLAINT]->(g:Grievance)
      -[:TARGETS_FEATURE]->(f:Feature)
WHERE NOT (u)-[:SOLVES]->(g)
RETURN f.name, count(DISTINCT g), collect(DISTINCT c.name)
ORDER BY count(DISTINCT g) DESC

当用户根据反馈迭代想法时，新版本会获得SOLVES边，同一条查询自然转向下一个未满足的需求。这种"用图结构记录决策及其证据"的做法，是Ideator区别于普通AI助手的关键：决策节点带有指向抱怨与功能的BECAUSE边，用户可以在可视化地图上点击决策，沿着边一路追溯到原始Reddit帖子。

智能体在执行时会逐步骤选择MCP工具：市场概览、多跳抱怨热点、功能PageRank、社区发现、证据路径，以及TabPFN价格预测。每一步都以自然语言流式呈现在界面上，图谱地图会同步高亮当前查询的区域。

Cypher是Neo4j为属性图数据库设计的声明式查询语言，FalkorDB兼容其语法子集。它的核心是MATCH模式匹配：用()-[]->()这样的ASCII图形描述节点与边的路径，数据库据此在图上做多跳遍历，而非像SQL那样靠JOIN拼表。文中那条查询里的NOT (u)-[:SOLVES]->(g)是反模式匹配，用来排除已被当前想法覆盖的抱怨，这正是"找缺口"这一语义在查询层的直接表达。Cypher还支持count(DISTINCT ...)聚合、collect()把多行折叠为列表、ORDER BY排序，因此一条查询就能同时完成"聚合抱怨热度"和"带回点名竞品"两件事。对智能体而言，这种语言的价值在于：一次工具调用即可返回结构化、可解释的多跳证据，而不需要模型自己去拼多次单跳查询。

开源模型栈如何撑起产品

Ideator几乎全部建立在开源或开放权重组件之上，这既是技术选择，也是产品韧性的来源。

**Gemma驱动的智能体循环。**项目先后使用gemma-4-26b-a4b-it和gemma-4-31b-it运行智能体循环并撰写报告。当托管端点失败时，短提示会回退到本地Ollama上的gemma2:2b；如果所有模型都无响应，报告则仅由搜索数据构建，并明确说明这一点。

**TabPFN做定价与拥挤度评分。**每次分析都会把竞品复制到共享的market_history图，predict_price工具在调用时现场训练一个TabPFN回归器——用得越多，价格估计越准。另一个工具把图计数输入TabPFN分类器，给市场拥挤程度打分。

**FalkorDB与MCP。**图谱数据库按会话隔离，PageRank和社区发现是数据库内置能力；MCP Python SDK把图查询封装为工具，智能体通过MCP客户端逐步挑选。

作者在文中坦言，开放权重直接救了产品一命：构建期间托管Gemma端点多次返回错误，正因为模型开源，才能回退到本地Gemma继续应答，而不是给用户看错误页。

TabPFN是一类基于Transformer的"表格基础模型"，其思路与常规监督学习相反：它先在海量合成表格数据集上预训练，学到的是"给定一小批带标签样本，如何对新样本做贝叶斯式预测"这个学习算法本身。因此使用时不需要传统意义上的训练循环和超参调优，把训练集作为上下文喂进去，一次前向传播就能出预测，常被称为"上下文学习"或in-context learning for tables。它的适用边界也很明确：样本量通常在几千行以内、特征数在百级以内时表现最佳，恰好匹配Ideator这种"每次会话只积累几十上百条竞品记录"的场景。文中说"调用时现场训练"，实质是每次把当前图的计数或价格样本当上下文重新推理，好处是新数据立刻生效、无需维护模型版本，代价是每次调用都有一次前向计算开销。

MCP（Model Context Protocol）是Anthropic提出并开源的协议，用于把外部工具与数据源以统一接口暴露给模型/智能体。它采用客户端-服务器结构：MCP服务器声明一组带JSON Schema的工具（名称、参数、描述），MCP客户端把这些工具描述注入模型上下文，模型再以结构化调用请求某个工具，由客户端执行并把结果回传。相比把工具硬编码进提示词或业务代码，MCP的好处是工具可独立部署、可复用、可替换，智能体能按需"发现"能力。Ideator的MCP Python SDK正是把Cypher查询、价格预测等能力逐个封装成工具，智能体每一轮自行挑选调用哪个，这也解释了文中"逐步骤选择工具"以及界面上逐步流式呈现的交互形态——每一步工具调用都是一次可观测的协议往返。

踩坑记录：提示词约束不如代码约束

项目复盘中最有价值的部分，是作者列出的几个具体失败与修正。

最典型的一条：作者在提示词里要求Gemma"回答前必须检查抱怨和价格"，但模型有时会跳过步骤直接作答。最终这条规则被移入代码（tools.py中的REQUIRED），智能体在两项工具未运行前无法结束。这个细节说明，对当前模型而言，流程约束放在代码层比放在提示词层更可靠。

另一个问题是托管Gemma持续返回500错误，根因是JSON模式叠加最小思考设置，作者改为不再要求JSON模式、自行解析回答后解决。

还有一个颇具自省意味的发现：作者逐帧回看演示录像时，发现市场地图里把一条NFL讨论帖和一个电视节目列成了某日志工具的竞品——搜索结果从未做过相关性检查。修复方式是加入关键词校验，丢弃与想法无关的结果。

性能上，Ideator并非即时响应：一个新想法需要约一到两分半钟，因为实时搜索和智能体步骤都要真实耗时，后续追问会更快。

PageRank与社区发现是图分析中的两类经典算法，FalkorDB把它们作为数据库内置过程直接提供，无需把图导出到外部计算框架。PageRank最初用于网页排序，其直觉是"被重要节点指向的节点也重要"，在Ideator的语境下，它可以给功能节点排序，衡量某个功能在整个竞品网络中的"枢纽程度"——被越多竞品和抱怨共同牵涉，越值得关注。社区发现（如Louvain一类算法）则把连接紧密的节点聚成簇，用来识别"同一批用户在抱怨的同一组功能"，即潜在细分市场或产品品类。两者结合，能让智能体在回答"这个市场里有哪些功能集群、哪些是核心"时不必靠模型臆测，而是拿到图算法给出的、可复现的数值依据，再叠加多跳查询得到的抱怨计数，形成相互印证的证据链。

隐私边界与"副业"路径

创始人的未公开想法是敏感信息。Ideator的立场是：开放权重意味着读取想法的模型不必是租来的黑箱，图数据库和工具服务器都跑在本地，且已支持通过Ollama回退到本地Gemma。但作者诚实地划出了边界——搜索仍需经过SerpApi，价格预测经过Prior Labs，完全本地化是方向而非现状。

首批用户是作者的几位大学朋友，他们在作者机器上用自己的想法试用后表示愿意各付约2500卢比使用，但尚未发生实际付费。作者告知他们项目开源且BYOK（自带密钥）可免费自部署，得到的回应是"那就发布它"：加登录页和付费墙，正式收费。这构成了下一步的副业计划。

最有说服力的反馈来自后续：一位朋友受Ideator启发，把自己的想法跑了一遍之后，启动了一个面向本校的ERP智能体项目Praesentia，处理成绩、课程等事务。

技术栈全景

除核心组件外，Ideator还用Temporal把搜索和报告生成作为带重试的持久化工作流运行（智能体循环本身不在工作流内）；Sentry记录每轮对话一个事务，每次Gemma调用和MCP工具调用各一个span；ElevenLabs提供任何回复的朗读按钮。后端为FastAPI加服务器发送事件，前端是原生JavaScript与Cytoscape.js。

值得留意的是项目对自身局限的坦白：智能体循环不受Temporal管理、搜索与定价尚未本地化、响应时间以分钟计。在一个充斥着"全自动AI创业助手"叙事的领域，这种克制的工程自述反而更能说明系统的实际能力边界。

对于独立开发者、需要会前简报的产品经理、每周评审大量想法的加速器导师，以及想避免重复造轮子的学生，Ideator提供的价值很明确：不是再给你一份竞品列表，而是逼你在五格里做出决定——而每一格都可以点回它的证据。计划还能导出为AGENTS.md文件，直接放进Claude Code或Cursor，让编码智能体从既定决策出发，而不是从空白提示词开始。