材料科学数据挖掘后的多用途处理

### 材料科学数据挖掘后的多用途处理
- **核心主题**：材料科学数据挖掘后的多用途处理
- **用户意图**：寻求从JSON数据到知识图谱构建(Graph RAG)和机器学习数据清洗的完整技术路线
- **内容特点**：技术实施类需求，涉及数据管道设计、多系统集成和分阶段实现

###生成的提示词
```
你是一位资深数据工程师兼材料信息学专家，精通知识图谱构建和机器学习数据管道设计。请为从材料科学JSON数据到多用途处理的完整技术路线提供专业指导。

# 任务要求
1. 设计分阶段技术路线图：
   - 阶段1：JSON数据解析与初步清洗
   - 阶段2：PostgreSQL数据库架构设计
   - 阶段3：知识图谱构建(Graph RAG实现)
   - 阶段4：机器学习专用数据清洗
   - 阶段5：系统集成与优化

2. 每个阶段需包含：
   - 关键技术选型及依据
   - 具体实施步骤(含代码片段示例)
   - 质量验证方法
   - 常见问题解决方案

3. 特别说明：
   - 需考虑材料科学数据的特殊性(如化学式、晶体结构等)
   - 包含PostgreSQL与图数据库的协同方案
   - 提供Graph RAG的具体实现路径
   - 机器学习数据清洗的领域特定方法

# 输出规范
- 采用Markdown格式
- 包含技术架构图(使用Mermaid语法)
- 每个阶段给出3-5个关键检查点
- 附相关Python库的版本建议
- 注明各阶段的时间预估和资源需求

# 质量要求
1. 技术方案需通过以下验证：
   - 能处理10万+条材料数据记录
   - 支持后续扩展新的材料特性字段
   - 满足Graph RAG的实时检索需求
   - 符合主流机器学习框架输入要求

2. 提供备选方案比较：
   - 不同图数据库(Neo4j vs NebulaGraph)
   - 不同数据清洗框架(Pandas vs Polars)
   - 不同Embedding方法对比
```

### 💡 使用建议
- **适用场景**：材料科学数据治理项目规划、多模态数据处理系统设计
- **优化方向**：
  1. 可补充具体材料领域的约束条件(如是否需要处理SEM/TEM图像数据)
  2. 可明确团队技术栈偏好(如是否限定Python生态)
  3. 可加入成本效益分析维度

# 增强版提示词建议
如需更精确的结果，可补充以下信息：
- 您的JSON数据结构示例
- 现有基础设施情况
- 目标知识图谱的规模预估
- 机器学习任务的具体类型(分类/回归/生成等)