图数据库驱动的代码架构管理系统 —— 用 Neo4j 维护「需求 / 代码模块 / 数据」三层依赖图，Agent 开发自动填充，变更影响一键查询，Hook 反应式联动多 Agent 协作。
给 AI 的一句话配置指令：「阅读本 README，按『快速开始』章节完成本项目安装与配置。」
现有工具无法回答「改一个数据结构，所有需要更新的地方是哪些」——IDE 只认代码 import，构建系统只认编译依赖，数据血缘只认数据管线。本项目把代码、数据、工具、需求放进同一张图：
AI 运行 A ─PRODUCES→ 数据集 B ─→ 工具 C ─→ Excel D ─┐
└──→ 工具 E ─→ Excel F ─┴→ 工具 G ─→ Excel H ─→ 客户端/服务端影响分析：任意节点变更，一条 Cypher 查出全部下游
强门禁：Agent 声明图变更（意图请求）→ git 提交触发 review 核验 → 通过才写图，失败连 commit 都进不去
反应式 Hook：图变更按订阅分发给相关 Agent，无变更则传播自然收敛
桌面端：可视化图数据 + 查看进行中的任务
设计细节见 docs/design-v1.1.md，程序结构见 docs/architecture.md。
Related MCP server: codemap
Windows 10/11（Git Bash 可用）
Python ≥ 3.11（python --version 确认）
可选：OpenAI 兼容 LLM API（review / 夜间维护 agent 用，默认指向 http://localhost:8642/v1，可在配置中修改或跳过）
对本项目克隆后的任意 AI 助手说：
「阅读 README.md，执行快速开始的安装流程，完成本项目配置。」
AI 应执行的唯一核心命令：
python setup/setup.py该脚本全自动完成以下步骤（每步失败都会给出明确的人工接管指引）：
步骤 | 动作 | 产物 |
1 | 检查 Python 版本 | 版本不符则退出并提示 |
2 | 下载并解压 JDK 21（Temurin，多镜像源） |
|
3 | 下载并解压 Neo4j Community 5.x（多镜像源） |
|
4 | 启动 Neo4j 服务并初始化密码 | 密码默认 |
5 | 创建 |
|
6 | 应用图 schema（约束 + 索引 + 示例管线种子数据） | Neo4j 中的三层图 |
7 | 注册 MCP server 到 | WorkBuddy 可直接调用 6 个 tool |
8 | Smoke test：跑一次 impact query | 应返回 8 个下游节点 |
9 | 输出后续步骤指引 | 桌面端启动 / git hooks / exe 打包 |
预计耗时：首次约 5–15 分钟（取决于 JDK + Neo4j 共 ~380MB 的下载速度）。断点续跑：脚本每步幂等，失败后修复问题重跑即可，已完成的步骤自动跳过。
# 1. 依赖
python -m venv .venv && .venv/Scripts/pip install -e .
# 2. Neo4j（手动下载 zip 解压到 runtime/neo4j/，需要 JDK 21）
runtime/neo4j/bin/neo4j.bat install-service
runtime/neo4j/bin/neo4j.bat start
# 3. 初始化密码（首次默认 neo4j/neo4j，登录后强制改）
runtime/neo4j/bin/cypher-shell.bat -u neo4j -p neo4j \
"ALTER CURRENT USER SET PASSWORD FROM 'neo4j' TO 'graph123';"
# 4. 应用 schema 与种子数据
.venv/Scripts/python -m graph_arch.setup_db
# 5. 注册 MCP（见下方「接入 Agent Harness」）
# 6. 验证
.venv/Scripts/python -c "from graph_arch.graph.queries import impact; \
print(len(impact('data:dataset_b')), '个下游节点') # 应输出 8"# 开发运行
.venv/Scripts/python desktop/main.py
# 打包为独立 exe（产物在 desktop/dist/）
.venv/Scripts/python desktop/build_exe.py功能：
图可视化：按层着色（需求/模块/数据），点击节点看详情（摘要、指针、状态、邻域）
活动面板：pending 意图请求、任务队列、最近 changelog 流、stale 节点列表
自动每 5 秒刷新
setup.py 已自动写入 ~/.workbuddy/mcp.json。重启 WorkBuddy 后，工具目录中出现：
submit_graph_intent / query_impact / query_context / claim_task / get_pending_intents / get_pending_tasks
若 Hermes 支持 MCP：同样注册本 server（python -m graph_arch.mcp_server，工作目录为仓库根）。
若仅支持 OpenAI function calling：tools 定义见 src/graph_arch/mcp_server.py 的 docstring，可直接转换为 OpenAI tools 格式。
开发工作流（必须遵守）:
1. 接到任何修改类任务，先调 query_context 加载目标节点邻域（摘要+指针+状态）
2. 若涉及已有数据结构/模块，必须调 query_impact 确认影响范围
3. 按指针从源头（git/文档/schema）加载细节后开工
4. 完成后必须 submit_graph_intent 声明图变更，再创建 git 提交
5. review 失败则按返回原因修正，重新提交graph-arch/
├── README.md # 本文件
├── pyproject.toml # 包定义与依赖
├── docs/ # 设计文档（v1.1）+ 结构文档
├── setup/setup.py # 一键安装脚本
├── config/
│ ├── settings.yaml # Neo4j/LLM/路径/超时（setup 自动生成）
│ ├── hooks.yaml # Hook 规则注册
│ └── skill_routes.yaml # skill 路由表（harness 层）
├── schema/ # Cypher：约束 + 种子数据
├── src/graph_arch/
│ ├── graph/ # client / writer / queries / merger
│ ├── hooks/ # engine / cycle_guard / actions
│ ├── review/ # 核验协议 + LLM 调用
│ ├── tasks/ # 任务队列 + 死信队列
│ ├── mcp_server.py # 入口 1: MCP server（常驻）
│ ├── git_hook.py # 入口 2: git hooks（pre-receive/post-merge）
│ ├── nightly.py # 入口 3: 夜间维护（定时）
│ └── setup_db.py # schema 初始化
├── desktop/ # 桌面端（PySide6 + vis-network）
├── git-hooks/ # 仓库钩子 + 安装脚本
├── changelog/ # append-only 变更日志（JSONL）
├── runtime/ # JDK / Neo4j（setup 下载，不入 git）
└── tests/键 | 默认 | 说明 |
|
| Neo4j 连接 |
|
| setup 初始化后写入 |
|
| OpenAI 兼容端点（review/维护用，可留空跳过） |
|
| 模型名 |
|
| 同一节点在同一 Hook 链中的触发次数上限（防环） |
|
| 任务认领超时（超时转派/死信） |
|
| 变更日志目录 |
bash git-hooks/install.sh /path/to/your/code-repo之后该仓库的 push / merge 会触发 review 核验与图合并。
症状 | 处理 |
Neo4j 下载失败（403/超时） | 手动从 neo4j.com 下载 |
| 确认 |
bolt 连接拒绝 |
|
review 步骤报 LLM 连接失败 | LLM 可留空：在 |
MCP 工具不出现 | 重启 harness；确认 |
MIT（按需修改）
This server cannot be installed
Unclaimed servers have limited discoverability.
If you are the server author, to access and configure the admin panel.
AI Agent with Architectural Memory. Impact analysis (free), tests and code from the graph (pro).
Control plane for autonomous software labor. Agents claim objectives over MCP with audit trail.
MCP server for AI agents to plan, verify, and deploy Cloudflare-native apps.
We provide all the information about MCP servers via our MCP API.
curl -X GET 'https://glama.ai/api/mcp/v1/servers/3486038424/neo4j_mcp_controller'
If you have feedback or need assistance with the MCP directory API, please join our Discord server