我用 AI 建了一座 AUTOSAR 知识图谱：从 R22-11 规范到可交互的 Architecture Atlas

作为 AUTOSAR SWC 开发工程师，我最大的日常痛点是：AUTOSAR 的知识散落在几百页官方 PDF、零散的社区文章和我的记忆里。29 个模块、290 个 API、复杂的跨层依赖——查一个"这条 CAN 信号到底怎么从物理层走到应用层"，要在规范、同事和代码里翻半天。

于是我做了件"网上还没有"的事：用 AI 把 AUTOSAR Classic R22-11 规范体系结构化，炼成一座可交互、可检索、可导入的知识图谱——它不是一个 Demo，而是一套能长期使用、能验证、能进团队协作的知识资产。

---

一、它是什么：不止"看图"，是四种形态的知识资产

这个项目以 AUTOSAR Classic Platform R22-11 为事实基线，沉淀了：

规模	内容
29 个核心模块	ADC / CAN / CanIf / CanTp / Com / Dcm / Dem / NvM / PduR / RTE / OS / MCAL…
290 条 API 参考	固定标准 API 名称、归属模块、调用方向、版本来源
339 个图节点	模块 + API + 架构层概念 + 运行时流程
376 条关系边	模块依赖、调度激活、回调通知、调用流向、CDD 例外访问

同一份模型，输出 四种可直接使用的形态：

1. 交互式 Web 图谱（Architecture Atlas）—— 浏览器打开就能用，完全离线；
2. Obsidian 双向链接知识库 —— 像逛 Wiki 一样逛 AUTOSAR；
3. Neo4j Cypher 导入脚本 —— 在真·图数据库里做影响分析；
4. Markdown / CSV 结构化数据 —— 带 frontmatter 的事实源，AI Agent 可以直接检索。

---

二、亮点 1：可交互的 Architecture Atlas

图谱不是一张静态大图，而是一个 Cytoscape.js 驱动的交互式 IDE。默认的行星轨道布局把 Hardware 放在核心，MCAL → ECU Abstraction → BSW Services → RTE → Application 依次向外分轨，一眼看懂分层结构：

五种布局覆盖不同分析视角——架构泳道强调分层、关系星云强调聚类、调用瀑布强调时序、影响波纹强调传播：

细节上做了工程向的取舍：Camera LOD（缩放自动降载）、节点/边的完整语义标签、搜索定位、PNG 导出。整套应用零依赖、完全离线，拷到工程电脑上就能用。

---

三、亮点 2：从信号到硬件的调用链可视化

这是我认为最有工程价值的功能。图谱里内置了 CAN / 诊断 / 存储 / SPI / Ethernet 等真实调用链，输入起点和终点，自动追踪跨层最短路径：

比如从 Rte 到 Can_Write，7 步走完一条真实的下行调用链。这对下面这些场景特别有用：

• 新人上手：一条 CAN 信号从 Can Driver → CanIf → PduR → Com → RTE → SWC 的完整路径，可视化比读十篇教程都快；
• 影响分析：改了 CanIf 的一个接口，下游谁在依赖？上游谁在调用？
• 面试/述职：把"我懂 AUTOSAR 分层"变成一张能现场讲解的图。

---

四、亮点 3：可检索的知识资产（Obsidian + Neo4j + AI Agent）

交互式图谱只是"看"，这个项目真正特别的是——同一份模型可以进 Obsidian、进 Neo4j、喂给 AI。

• Obsidian：模块页带 frontmatter 和双向链接，点开 RTE 就能看到它依赖谁、谁依赖它、暴露了哪些 API；
• Neo4j：Cypher 脚本一键导入，可以在真图数据库里跑"改了 NvM 会影响哪些模块"这类查询；
• AI Agent：结构化 frontmatter + 调用链就是现成的 RAG 语料。把知识图谱喂给 LLM，等于给它装了一个"行走的 AUTOSAR 手册"——这正是 AI 时代工程师知识资产的新形态。

---

五、亮点 4：确定性生成 + 可验证（区别于"AI 生成的野内容"）

网上 AI 生成的技术内容最大的问题是不可信。这个项目的构建方式是工程化的：

结构化模型（唯一事实源）
      ↓ 确定性生成器
Markdown / CSV / Cypher / 图谱数据
      ↓ 自动校验器
PASS：链接、API 表、图导出、manifest 全覆盖

• 确定性：连续跑两次生成器，产物 diff 为空，可重建可追溯；
• 可验证：validate 返回 PASS，链接不悬空、API 表不缺失；
• 可审计：固定标准 API 用本地官方 R22-11 PDF 逐条比对（verify_autosar_api_sources.py），不把供应商私有 API 冒充成 AUTOSAR 标准 API。

---

六、怎么用 / 在哪里

• 在线体验：https://jeffrey.xin/atlas/
• 本地：仓库 viewer/ 目录，双击 index.html 即用，全程离线；
• Obsidian：把 AUTOSAR-Knowledge-Graph/ 作为 vault 打开；
• Neo4j：导入 11_GRAPH_EXPORT/*.cypher；
• 技术栈：Python 3.10+（模型/生成器/校验器）+ Cytoscape.js（前端）+ Obsidian / Neo4j（消费端）。

---

七、写给同行的话

做这个项目最大的体会：在 AI 时代，工程师的差异化不在于"知道得多"，而在于把经验结构化、可查询、可复用。 知识图谱不是终点，而是让工程知识"活起来"的起点——它让我从一个"查资料的工程师"，变成了"知识资产的构建者"。

如果你也在做 AUTOSAR / 汽车软件，欢迎体验并交流。下一步我计划加入更多供应商实现示例、运行时时序视图，以及让 Agent 直接基于图谱回答"影响分析"类问题的能力。