Eine KI-gestützte Integrationsfähigkeit, die GraphQL-Schemata und -Abfragen in native Graph-Datenbankoperationen (Cypher, Gremlin, SPARQL) übersetzt und Ergebnisse zurück in GraphQL-Formate abbildet.
Installieren & Herunterladen
1. ClawHub CLI
Der schnellste Weg, einen Skill direkt aus der Registry zu installieren.
npx clawhub@latest install graphql-graph-mapping
2. Manuelle Installation
Kopiere den Skill-Ordner an einen dieser Orte
~/.openclaw/skills/ <project>/skills/ Priorität: Workspace > Lokal > Integriert (Bundled)
3. Prompt-Installation
Kopiere diesen Prompt in OpenClaw, um ihn automatisch zu installieren.
Hilf mir, graphql-graph-mapping über Clawhub zu installieren. Falls Clawhub nicht installiert ist, installiere es bitte zuerst (npm i -g clawhub).
Lieber herunterladen?
Hole dir die rohen Skill-Dateien in einem ZIP-Archiv.
Was ist GraphQL Graph Mapping?
Die GraphQL Graph Mapping-Fähigkeit ist ein hochgradig vielseitiges Entwicklertool, das entwickelt wurde, um die Lücke zwischen flexiblen GraphQL-APIs und zugrunde liegenden Graph-Datenbanken zu schließen. Durch die Automatisierung der Übersetzung eingehender GraphQL-Schemata und -Abfragen in hochoptimierte native Graph-Abfragesprachen – wie Cypher von Neo4j, Gremlin von Apache TinkerPop und SPARQL des W3C – vereinfacht diese Integration den Aufbau von API-Schichten über komplexen Wissensgraphen drastisch.
Dieser automatisierte Dienst wurde entwickelt, um Entwickler innerhalb des Openclaw Skills-Ökosystems zu stärken, und löst Verschachtelungen, Filter, Paginierung und Multi-Hop-Beziehungen sofort. Anstatt komplexe, fehleranfällige Datenbank-Resolver manuell zu schreiben, können Entwickler diese Fähigkeit bereitstellen, um saubere, deklarative API-Schemata offenzulegen, die nahtlos mit leistungsstarken Graph-Datenbank-Clustern interagieren und eine strukturierte Datenzuordnung bei minimaler Latenz gewährleisten.
GraphQL Graph Mapping Anwendungsfälle
- Wissensgraphen als APIs bereitstellen: Packen Sie schnell einen bestehenden RDF-Triple-Store oder eine Neo4j-Datenbank in eine interaktive GraphQL-API mithilfe vorgefertigter Openclaw Skills-Workflows.
- Verschachtelte Abfragen übersetzen: Generieren Sie automatisch Multi-Hop-Graph-Traversierungen aus stark verschachtelten GraphQL-Abfragen ohne manuelle Resolver-Zuordnung.
- Multi-Datenbank-Föderation: Bilden Sie vereinheitlichte Schematypen auf mehrere Backend-Datenbankumgebungen ab (z. B. Cypher für Neo4j und Gremlin für JanusGraph) unter Verwendung einer einzigen, kohäsiven Übersetzungsschicht.
- API-Leistungsoptimierung: Schützen Sie Graph-Datenbanken vor kostspieligen rekursiven Traversierungen, indem Sie standardisierte Abfrageausführungspläne mit strengen Tiefen- und Komplexitätsbeschränkungen generieren.
- Rapid Prototyping für Frontends: Legen Sie Knoten, Eigenschaften und Kantenbeziehungen sofort für Frontend-Client-Anwendungen offen, die benutzerdefinierte JSON-Antworten anfordern.
So funktioniert GraphQL Graph Mapping
- Schema-Parsing und Taxonomie-Mapping: Das System analysiert die eingehenden GraphQL-Schemadefinitionen, um Objekttypen auf Knotentabellen, Felder auf Knoteneigenschaften und Beziehungsfelder auf Kantentypen abzubilden.
- Extraktion des GraphQL-Abfrage-AST: Wenn ein API-Client eine Abfrage sendet, parst der Dienst die Abfrage in einen abstrakten Syntaxbaum (AST), um Argumente, angeforderte Felder, verschachtelte Auswahlen und Filter zu extrahieren.
- Übersetzung der Abfrage-Engine: Der Kernübersetzer konvertiert die AST-Knoten in spezialisierte Datenbankausführungsanweisungen basierend auf Zielkonfigurationen (z. B. Generierung von Cypher-MATCH-Mustern oder Gremlin-Schritt-Traversierungen).
- Datenbankseitige Optimierung: Wenden Sie Indexhinweise an, ordnen Sie Traversierungsschritte neu an und kompilieren Sie Paginierungsstrukturen (LIMIT/OFFSET), um sicherzustellen, dass die übersetzte Abfrage mit maximaler Effizienz ausgeführt wird.
- Ausführung und Ergebnis-Marshalling: Führen Sie die kompilierte Abfrage gegen die Graph-Datenbank aus, erfassen Sie die strukturierten Ergebnis-Arrays und bilden Sie die Ausgaben zurück in ein konformes, verschachteltes GraphQL-JSON-Antwortschema ab.
GraphQL Graph Mapping Einrichtung
Voraussetzungen und Installation
Um diese Schemata-Übersetzungsfunktion innerhalb Ihres Openclaw Skills-Arbeitsbereichs zu nutzen, installieren Sie die empfohlenen Kernbibliotheken und richten Sie Ihre Umgebungskonfiguration ein:
pip install graphql-core graphene neo4j pydantic
Konfiguration
Erstellen Sie eine Mapping-Konfiguration, um zu definieren, wie Ihr GraphQL-Schema auf Ihre Graph-Datenbank-Labels und -Eigenschaften abgebildet wird. Eine typische Konfiguration sieht so aus:
database_type: "neo4j"
uri: "bolt://localhost:7687"
auth:
username: "neo4j"
password: "secure_password"
schema_mappings:
Person: "Person"
Company: "Company"
knows: "KNOWS"
worksAt: "WORKS_AT"
GraphQL Graph Mapping Datenschema & Taxonomie
Zuordnung struktureller Konzepte
Diese Mapping-Schicht übersetzt GraphQL-Typen, -Beziehungen und -Abfragen in Ziel-Graph-Schemata unter Verwendung der folgenden strukturellen Taxonomie:
| GraphQL-Konzept | Graph-Datenbank-Konzept | Beispiel für natives Mapping |
|---|---|---|
type Person |
Knotentyp / Label | (:Person) |
name: String |
Knoteneigenschaft | Person.name |
knows: [Person] |
Kante / Beziehung | [:KNOWS] |
id: ID! |
Eindeutiger Bezeichner | Knoten-ID-Eigenschaft / Index |
| Query Root | Einstiegsknoten | g.V().has('Person', 'id', 'alice') |
| Verschachtelte Felder | Graph-Kanten-Traversierung | (p)-[:KNOWS]->(f) |
Schema des generierten Ausführungsplans
Der Übersetzungsschritt generiert einen Ausführungsplan, der Metadaten, Ausführungsstatistiken und die rohe Zielabfrage enthält. Der JSON-Umschlag entspricht dem folgenden strukturellen Layout:
{
"query_id": "uuid-123456",
"target_language": "cypher",
"translated_query": "MATCH (p:Person {id: 'alice'})-[:KNOWS]->(f:Person) RETURN p.name, collect(f.name) AS friends",
"execution_metrics": {
"traversal_depth": 2,
"complexity_score": 5,
"estimated_cost": 0.12
}
}
GraphQL Graph Mapping Erweiterte Funktionen
- Benutzerdefinierte Abfragekomplexitätsbewertung: Weisen Sie Feldern benutzerdefinierte Komplexitätsscores zu und blockieren Sie missbräuchliche, extrem tiefe rekursive Traversierungen vor der Datenbankausführung.
- Automatische Paginierungsübersetzung: Übersetzen Sie standardmäßige GraphQL-Cursor-basierte Paginierungsargumente nahtlos in Graph-spezifische Paginierungsmechanismen (z. B. Cypher LIMIT/SKIP oder Gremlin-Bereichsschritte).
- Natives Aggregations-Mapping: Übersetzen Sie GraphQL-Schema-Metriken (z. B. Durchschnitt, Anzahl, Gruppierung) direkt in native Cypher- oder SPARQL-Aggregationsfunktionen.
- Multi-Tenant-Schema-Föderation: Wählen Sie dynamisch Datenbank-Zieltreiber und Verbindungspooling-Variablen basierend auf Kontextfaktoren oder Headern auf Abfrageebene aus.
- Ausführungs-Cache-Hooks: Integrieren Sie nahtlose Redis-Caching-Schichten über gängige Abfragemuster, was die Ausführungszeiten für statische Graph-Traversierungen beschleunigt, die über Openclaw Skills zugeordnet wurden.
SKILL.md
Laden
Verwandte Openclaw-Skills
The Mastery of Love Skill
Ein KI-gestützter Leitfaden für toltekische Weisheit, der entwickelt wurde, um Benutzern zu helfen, emotionale Wunden zu heilen, tiefe Selbstliebe und gesündere Beziehungen auf der Grundlage der tiefgründigen Lehren von Don Miguel Ruiz zu kultivieren.
Neo4j-Integration
Ein unternehmensweiter Graph-Datenbank-Skill, der es KI-Agenten ermöglicht, Neo4j Knowledge-Graphs mit Cypher abzufragen, zu verwalten und zu skalieren.
The Only Plane in the Sky: Eine Oral History des 9/11 AI Skill
Ein interaktiver AI agent skill, der eine minütliche Oral History des 11. September 2001 liefert und sich auf die menschlichen Geschichten von Überlebenden, Ersthelfern und Führungspersönlichkeiten konzentriert.
The Mamba Mentality
Eine AI agent skill basierend auf Kobe Bryants 'The Mamba Mentality', um dir dabei zu helfen, unerbittliche Disziplin, Vorbereitungsgewohnheiten und Führungsqualitäten aufzubauen.
Text-Entitätsbeziehungsextraktor
Eine Natural-Language-Processing-Pipeline, die unstrukturierte Texte analysiert, um strukturierte Entitäten und semantische Beziehungen für die direkte Integration in Wissensgraphen zu extrahieren.
JanusGraph Connector
Eine fortschrittliche Integrations-Skill, die entwickelt wurde, um große, verteilte Graphdaten mithilfe der JanusGraph-Datenbank und der Gremlin-Traversierungssprache nahtlos abzufragen, zu verwalten und zu analysieren.
Hervorgehoben*
