Membuat mind map#

Skill mind_map mengubah topik, catatan, atau dokumen menjadi mind map. Skill itu bisa dipakai dengan tiga cara: dari outline yang kamu tulis sendiri, dengan model lokal di laptop, atau sebagai tool di agent.

Mind map berisi bagian-bagian Zul: CLI, template hexa, utilities, dokumentasi, dan skill

Gambar di atas dibuat dari outline assets/examples/zul.md di folder skill. Versi interaktifnya bisa digeser dan diperbesar.

Sebelum mulai: uv atau Python 3.9 ke atas ter-install, dan kamu berada di root repository Zul. Skill mind_map ada di research/agentic/algorithms/skills/mind_map/. Perintah di halaman ini dijalankan dari folder itu:

cd research/agentic/algorithms/skills/mind_map

Membuat mind map dari outline#

Tulis outline di file Markdown. Judul # menjadi pusat peta, butir tanpa indentasi menjadi cabang utama, dan butir yang menjorok dua spasi menjadi rinciannya:

fotosintesis-mindmap.md

# Fotosintesis
- Bahan
  - Cahaya matahari
  - Air
  - Karbon dioksida
- Reaksi terang
  - Membran tilakoid
  - ATP dan NADPH
- Siklus Calvin
  - Fiksasi karbon
  - Glukosa

Jalankan skrip skill pada file itu:

uv run python scripts/build_mindmap.py fotosintesis-mindmap.md -o fotosintesis.html --also svg

Skrip menjawab dengan satu baris hasil dan lokasi file yang ditulisnya:

OK: created C:\proyek\fotosintesis.html (11 nodes, 3 branches, depth 2, 1196x230 px, theme=rainbow)
SVG: C:\proyek\fotosintesis.svg

Buka file HTML itu di browser. Halamannya berjalan tanpa internet, bisa digeser dan diperbesar, dan punya tombol Save PNG.

Skrip memperbaiki sendiri outline yang bentuknya kurang rapi, lalu mencantumkan setiap perbaikan di bawah AUTO-FIXED / WARNINGS. Baca daftar itu: jika sebuah perbaikan mengubah maksud petamu, ubah outline-nya dan jalankan lagi perintahnya.

Membuat mind map dengan model lokal#

Skrip generate_mindmap.py meminta model lokal menulis outline-nya, memperbaiki jawabannya, lalu menggambar petanya. Bawaannya memakai Ollama di http://localhost:11434.

Unduh model yang disarankan jika belum ada:
```
ollama pull gemma3:4b
```
Untuk memetakan sebuah topik, jalankan:
```
uv run python scripts/generate_mindmap.py "Arsitektur hexagonal untuk aplikasi AI" -o hexagonal.html
```
Untuk memetakan isi sebuah file, ganti topiknya dengan path file:
```
uv run python scripts/generate_mindmap.py NAMA_FILE -o peta.html
```
Ganti NAMA_FILE dengan path file .txt, .md, .pdf, .docx, atau .html. File yang lebih panjang dari satu permintaan dibaca per bagian, jadi isi bagian akhirnya tetap masuk ke peta.
Buka file yang disebut di baris OK: created.

Kamu tidak perlu memilih model. Skrip memakai gemma3:4b jika sudah ada di server, lalu qwen3:8b, lalu qwen3:4b, dan mencetak model yang dipakai di baris model:. Untuk model lain, tambahkan --model NAMA_MODEL. Untuk server selain Ollama, tambahkan --api openai --base-url, misalnya --api openai --base-url http://localhost:1234/v1 untuk LM Studio. Tanpa model sama sekali, tambahkan --no-llm: outline dibuat dengan aturan dari judul dan kalimat di file sumber.

Dua peta berikut ditulis gemma3:4b:

Arsitektur hexagonal untuk aplikasi AI, dari sebuah topik, dalam 9 detik.
Arsitektur hexagonal, dari halaman konsep sepanjang 5.000 karakter, dalam 24 detik.

Memilih model lokal#

Pakai gemma3:4b kecuali kamu punya alasan lain. Angka berikut diukur di laptop dengan GPU RTX 3060 6 GB dan Ollama 0.32.6:

Model	Satu topik	Dokumen 5.000 karakter	Dokumen 13.700 karakter	Catatan
`gemma3:4b`	8 sampai 10 detik	10 sampai 24 detik	16 sampai 98 detik	16 dari 16 percobaan menghasilkan peta. Muat seluruhnya di GPU 6 GB.
`qwen3:4b`	159 sampai 224 detik	942 detik, lalu jatuh ke outline aturan	tidak dijalankan	Selalu menalar sebelum menjawab, dan dengan konteks 16k tidak lagi muat di GPU 6 GB. Tidak cocok untuk dokumen.
`qwen3:8b`	87 detik	181 detik	389 detik	Diukur di CPU saat GPU tidak aktif, jadi waktunya tidak sebanding.

Skrip memeriksa setiap jawaban model sebelum menggambarnya. Jika jawabannya bukan outline yang layak, skrip mencoba sekali lagi, lalu menyusun outline bertahap: nama cabang dulu, kemudian dua sampai empat butir untuk tiap cabang.

Note

Di laptop dengan dua GPU, Ollama bisa memilih GPU terintegrasi, yang beberapa kali lebih lambat. Jalankan ollama ps saat model sedang dipakai dan baca kolom PROCESSOR. Jika model tidak berjalan di GPU NVIDIA, mulai ulang Ollama dengan variabel environment OLLAMA_VULKAN=0.

Untuk mengukur model lain dengan kasus yang sama:

uv run python evals/local_models.py NAMA_MODEL

Memakai skill di agent#

Skill ini menyediakan tool LangChain bernama create_mind_map. Pasang ke agent seperti tool lain:

contoh pemakaian di agent

from skills.mind_map.mind_map_skill import create_mind_map

tools = [create_mind_map]

Model menulis outline sebagai argumen outline, dan tool mengembalikan baris hasil yang sama dengan skrip. Folder research/agentic/algorithms/ harus ada di sys.path supaya skills bisa diimpor.

Warning

Ollama tidak menyediakan tool calling untuk gemma3, jadi bind_tools gagal dengan model itu. Minta model menjawab dengan satu objek JSON, dan kirim skema argumen tool sebagai format supaya server menjaga bentuknya. Dengan cara itu gemma3:4b memanggil create_mind_map dengan benar dalam 6 detik. Contohnya ada di evals/small_model_check.py di folder skills/.

Memilih format keluaran#

Ekstensi pada -o menentukan formatnya, dan --also menambah format lain:

Format	Dipakai untuk	Kebutuhan
`.html`	Dibuka di browser, digeser, dan diperbesar.	Python saja
`.svg`	Ditempel sebagai gambar di dokumen atau slide.	Python saja
`.mmd`	Ditempel di dalam blok kode `mermaid`, misalnya di README GitHub.	Python saja
`.png`, `.pdf`	Dikirim sebagai gambar atau dicetak.	Edge, Chrome, atau Chromium

Lihat juga#

SKILL.md di folder skill untuk aturan outline, tema warna, dan tata letak.
references/small_models.md di folder skill untuk hasil pengukuran tiap model secara lengkap.
REQUIREMENTS.md di folder skills/ untuk kebutuhan mesin dan model semua skill.