ableflow 28a7a2e2af 模板内置技能与 hook：预装 9 个基础 skill、加 auto-wiki Stop hook、删除 index.html

2026-06-26 10:18:13 +08:00

17 KiB

Raw Blame History

name	version	description
auto-wiki	0.2.0	知识编译器：教 Agent 把源文件增量编译进持久化 wiki，实现跨会话知识积累。运行时依赖：Python 3.8+（标准库 + pydantic）。可选增强：WebSearch（主动搜索）、外部 MCP 校验器（逻辑校验）。五个模式，根据用户意图自动路由： recall → 用户想基于已有知识回答问题。触发词：recall、知识模式、打开 wiki、带着知识回答、根据 wiki、基于积累、查一下 wiki、wiki 里有没有、之前研究过、上次整理的。 ingest → 用户提供了新材料，想编译进 wiki。触发词：ingest、编译、整理这篇、消化这篇、学习这个、归档、把这篇加进去、积累、研究一下、帮我整理、加入知识库。 query → 用户问了一个具体问题，想从 wiki 中找答案（单次）。触发词：query、根据 wiki 回答、wiki 里怎么说、查查看。 lint → 用户想检查 wiki 健康度。触发词：lint、检查 wiki、wiki 健康、清理一下、有没有矛盾。 deep-dive → 用户想让 Agent 自动找出知识缺口并补全。触发词：deep-dive、深度研究、补全知识、查漏补缺、上强度、自动补全、知识补全、全面补充。注意：deep-dive 不是独立模式，是 lint(Coverage) + ingest(搜索填充) 的组合管道。路由规则：如果用户没有提供新材料但提到了 wiki 或领域知识 → recall。如果用户提供了文件或大段文本 → ingest。如果用户说"deep-dive"或"上强度" → 执行 deep-dive 管道。如果不确定 → 问用户。

知识编译器

Agent 做研究、拉数据、写报告——wiki 把这些产出串起来。Agent 越用越懂你的领域。

运行时依赖与权限声明

依赖	必需？	说明
Python 3.8+	✅ 必需	`schema.py`（frontmatter 校验）、`store.py`（SQLite 数据管理）、`build_index.py`（FTS5 索引）均为 Python 脚本。仅用标准库（`sqlite3`、`json`、`pathlib`）+ `pydantic`
pydantic	✅ 必需	`schema.py` 的 frontmatter 校验依赖。`pip install pydantic`
文件系统写入	✅ 必需	在 `.wiki/{topic}/` 下创建和编辑 Markdown、SQLite、`.obsidian/` 配置。首次创建 `.wiki/` 时会向用户确认位置
WebSearch / WebFetch	❌ 可选	主动模式（Agent 自主搜索材料）需要。被动模式（用户提供文件）不需要
外部校验器（MCP）	❌ 可选	仅当 wiki 声明了 validator 时 lint 会尝试调用。不可达时静默跳过，零影响。不需要用户提供任何凭证——`Mcp-Session-Id` 是标准 MCP 协议的会话握手，由 Agent 自动完成
搜索类 MCP	❌ 可选	deep-dive 和主动 ingest 可用域数据 MCP 增强搜索质量。没有时退化为 WebSearch

核心承诺：被动模式（用户提供文件 → Agent 编译）只需要 Python 3 + 文件读写，零网络依赖。所有网络调用都是可选增强，且会在首次使用时通过环境检查告知用户。

Quick Start

用户: /auto-wiki recall personal-pension
Agent: [扫描 .wiki/personal-pension/ → 读 index.md → 加载 data.db 摘要]
Agent: 已进入 recall 模式。当前 wiki：22 页 / 8 数据点 / 2 处 contested。
       接下来的问题我会先查 wiki 再回答。

用户: 参与率低的原因是什么？
Agent: [读 wiki 中 enrollment-friction、tax-incentive-effect 等页面]
Agent: 根据 wiki 积累的 6 篇来源...（引用具体页面和数据）
       ⚠️ 注意：税优激励效果存在矛盾（77.8% vs 25%），详见 [[participation-willingness]]

核心理念

Agent 每天帮你做研究、写报告、拉数据——但做完就忘。下次问同样领域的问题，又从零开始。

这个 Skill 解决一件事：给 Agent 一个可以持续积累的知识库。

不是 RAG（每次从文档堆里临时检索），是编译——Agent 读完源文件后，把关键信息写进 wiki 已有页面，和旧知识比较、合并、标注冲突。下次执行任何任务前，先读 wiki，从积累的基础上工作。

四个模式

模式	触发	Agent 做什么
recall	`recall` / `recall {topic}`	加载 wiki 上下文，后续所有问题先查 wiki 再回答
ingest	用户提供源文件或文本	读源文件 → 搜索已有 wiki → 比较新旧 → 更新/创建页面 → 更新索引
query	用户提问（单次）	读 index → 找相关页面 → 综合回答 → 有价值的分析可归档
lint	用户说"检查 wiki"	扫描全部页面 → 合并重复 → 归档过时 → 报告矛盾和健康度
deep-dive	`deep-dive` / "上强度"	运行 Coverage lint → 展示缺口报告 → 用户确认 → 搜索 + ingest 填补缺口

deep-dive 不是第五个独立模式——它是 lint（Coverage）和 ingest（带搜索工具）的组合管道。需要搜索工具（主动模式）。

recall 模式 vs query 的区别：query 是单次操作（问一个问题，查一次 wiki）。recall 模式是持续状态——进入后，这轮对话里的每个问题都先过 wiki。

recall 模式

进入

用户说 /auto-wiki recall 或 /auto-wiki recall {topic} 时触发。

Agent 执行：

扫描 .wiki/ 目录，列出可用的 wiki 主题
如果用户指定了主题 → 加载该 wiki；如果没指定 → 列出可选主题让用户选
读 index.md → 获取全部页面列表和结构
读 data.db 摘要 → python references/store.py dump .wiki/{topic}/，获取数据点数、关系数、contested 数

向用户报告：

已进入recall 模式：{主题}
- 页面：{N}（sources: X, entities: Y, concepts: Z）
- 数据点：{N} | 关系：{N} | Contested：{N}
接下来的问题我会先查 wiki 再回答。说"退出recall 模式"恢复正常。

回答流程

进入recall 模式后，每次收到用户问题：

从问题中提取关键词（实体名、概念名、指标名）
在 index.md 中匹配相关页面（标题 + 描述）

在 data.db 中查询相关数据点：

SELECT * FROM data_points WHERE field LIKE '%关键词%' OR page_slug LIKE '%关键词%'

读取匹配的 wiki 页面（通常 2-5 个），沿 wikilink 展开一层
综合回答，必须：
- 引用具体页面：[[slug]]
- 引用具体数据：值 + 单位 + 时段 + 来源
- 如果涉及 contested 信息，主动标注
- 如果 wiki 中信息不足，明确说"wiki 中没有这方面的积累，建议 ingest XX"
不编造 wiki 中没有的信息。宁可说"不知道"也不要假装 wiki 里有

退出

用户说 exit recall、切换到其他操作（ingest/lint）、或开始新话题时退出。

执行流程

Phase 0: 识别研究主题与本体类型

收到用户输入后，判断三件事：操作类型、目标 wiki、本体类型。

用户输入	操作	目标 wiki	本体类型
"帮我整理这篇研报" + 文件	ingest	从内容推断，或问用户	domain
"ingest 到个人养老金" + 文件	ingest	personal-pension	domain
"研究一下 Charlie Munger" + 材料	ingest	charlie-munger	cognitive
"个人养老金参与率怎么样"	query	从问题推断，或问用户	—
"检查一下养老金 wiki"	lint	personal-pension	—

本体类型决定 wiki 的页面结构和采集策略：

本体类型	研究对象	页面侧重	参考
cognitive	人（思维模型、决策方式）	MentalModel, Heuristic, Value, StylePattern	`references/ontology-types/cognitive.md`
domain	领域（机构、制度、指标）	Entity, Concept, Metric	`references/ontology-types/domain.md`
general	以上都不是	默认 entity/concept 结构	—

一个 wiki 只有一种类型。 如果研究横跨人和领域（如"Munger 的投资框架在企业年金中的应用"），分属两个 wiki，用跨 wiki query 综合回答。不要在一个 wiki 里混用 cognitive 和 domain 页面结构。

如果 wiki 目录不存在，先向用户确认创建位置（默认 .wiki/{topic}/，在当前仓库根目录下），然后按 references/storage-spec.md 创建初始结构（含 meta.yaml、index.md 模板、log.md 模板）。建议用户将 .wiki/ 加入 .gitignore（如尚未添加）。

领域种子（seed）：如果目标领域有对应的种子文件（seeds/{name}.md），在 meta.yaml 中声明 seed: {name}。种子提供标准术语词表、关系模板和禁混规则，让 wiki 从规范化的起点开始生长。没有种子的领域，wiki 自由生长——两种路径都能跑。种子是社区可贡献的插件，任何人可以为自己的垂直领域写一个 markdown 文件。详见 references/seed-ontologies.md。

首次使用时，执行环境检查（见 references/source-validation.md），告知用户当前可用的能力（被动模式 vs 主动模式）。

Reference 加载策略

不要一次读完所有 reference。按操作类型按需加载：

操作	必读	首次时读	有工具时读
ingest	`ingest-protocol.md`, `wiki-format.md`, `schema.py`	`storage-spec.md`（wiki 不存在时）, `seed-ontologies.md` + `seeds/{name}.md`（meta.yaml 声明了 seed 时）	`fact-check.md`, `source-validation.md`
query	`query-protocol.md`	—	—
lint	`lint-protocol.md`, `schema.py`	—	`validators/{name}.md`（seed 声明了 validator 时）
deep-dive	`lint-protocol.md`, `ingest-protocol.md`, `source-validation.md`, `wiki-format.md`, `schema.py`	`storage-spec.md`（wiki 不存在时）	`fact-check.md`

不需要读的：scaling.md 仅当页面数 > 500 时才相关；ontology-types/ 仅当新建 wiki 需判断类型时。

Phase 1: Ingest（知识编译）

这是核心操作。 详细协议见 references/ingest-protocol.md。

简要流程：

读取源文件，提取关键信息
校验关键数据（如有可用工具）— 详见 references/fact-check.md
写 source 摘要页（sources/{date}-{slug}.md）
搜索 wiki 中已有的相关页面（读 index.md，grep 关键实体名）
逐页比较新旧信息：
- 新信息支持已有结论 → 加引用，提升 confidence
- 新信息推翻已有结论 → 数值写入 data.db（旧值自动进 history 表），改写正文分析
- 新信息矛盾且无法判断 → 并列两种说法，confidence → contested
创建新页面（仅当涉及 wiki 中没有的实体/概念）
更新 index.md + 追加 log.md
Schema 校验——对本次创建/修改的所有页面运行 python references/schema.py {page.md}，确保 frontmatter 符合规范。不通过则立即修复再继续

Ingest 完成后向用户报告：

已 ingest 到 {主题} wiki：
- 新建：{N} 页（列出）
- 更新：{N} 页（列出 + 简述变更原因）
- 冲突：{N} 处（列出矛盾点）
- 校验：{N} 页全部通过 / {M} 页有问题（列出）

Phase 2: Query（知识查询）

详细协议见 references/query-protocol.md。

读 index.md，识别与问题相关的页面
读取匹配页面 + 沿 wikilink 展开一层关联页面

基于页面内容综合回答，引用来源页面：

根据 wiki 中 5 篇源文件的积累：
... 分析内容 ...
来源：[[alpha-corp]]、[[2026-policy-doc]]

如果涉及 contested 信息，明确标注矛盾
如果回答中包含有价值的新分析，提示用户归档

如果 wiki 中信息不足以回答，明确说明缺口：

wiki 中关于 XX 的信息不足，目前只有 2 篇相关源文件。
建议 ingest 更多关于 XX 的材料。

Phase 3: Lint（知识治理）

详细协议见 references/lint-protocol.md（7 项检查 + 健康报告格式）。

Lint 分两档：

档位	触发	检查项	代价
结构档（默认）	`lint` / `检查 wiki`	Validation, Orphan, Broken Link, Staleness	全量扫描，确定性
语义档（按需）	`深度 lint` / `检查矛盾`	Contradiction, Duplication, Coverage	Agent 语义理解，按范围控制

结构档：自动扫描全部页面，修复格式、断链、孤页、过时标注
语义档（用户触发时）：检测矛盾、重复、覆盖度缺口。wiki < 50 页全量扫描，50-200 页只扫最近 30 天 ingest 触及的页面，> 200 页须用户指定范围
报告健康度：

Wiki 健康报告：{主题}
- 页面总数：42（entities: 15, concepts: 10, sources: 12, analyses: 5）
- 健康度：良好
- 结构修复：修复 1 个断链，归档 1 个过时页面
- [语义] 待人工确认：2 处矛盾（列出）
- 建议：XX 领域源文件较少（仅 1 篇），建议补充

Phase 4: Deep-Dive（知识补全管道）

deep-dive = lint(Coverage) + ingest(搜索填充)。不是独立模式，是组合管道。

前提条件：需要搜索工具（主动模式）。无搜索工具时，只输出缺口报告，不执行自动填充。提示用户手动 ingest。

流程：

1. 运行 lint Coverage 检查（5 类缺口检测）
   → 输出结构化 Gap Report（见 lint-protocol.md）

2. 展示 Gap Report，请用户确认
   → 用户可以：全部接受 / 选择子集 / 限定范围 / 取消
   → 这一步不可跳过——防止无监督的批量写入

3. 对确认的每个缺口，执行 from-lint ingest 流程
   → 搜索 → 用户确认来源 → 标准 ingest
   → 详见 ingest-protocol.md 的 From-Lint 章节

4. 输出补全报告：已补全 / 未能补全 / 建议

触发词：deep-dive、深度研究、补全知识、查漏补缺、上强度

示例：

用户: deep-dive treasury-futures
Agent: [运行 Coverage lint...]
Agent: 发现 6 个知识缺口：
       1. [high] page_missing: stock-bond-correlation（被 4 个页面引用）
       2. [high] concept_missing: 基差（在 5 个实体页中提到）
       3. [medium] single_source: treasury-futures-basics（仅 1 个来源）
       ...
       要补全哪些？(all / 选序号 / cancel)

用户: 1, 2

Agent: [搜索"股债联动 国债期货"...]
Agent: 找到 2 个候选来源：
       - [二手·权威] 中金固收报告《股债联动分析》 ← 推荐
       - [二手] 某公众号文章 ← 跳过（黑名单渠道）
       确认使用中金报告？

用户: 确认

Agent: [执行标准 ingest → 新建 concepts/stock-bond-correlation.md]
Agent: 补全完成。新建 2 页，更新 0 页，1 个缺口未能补全（建议手动提供材料）。

Wiki 页面格式

详见 references/wiki-format.md。简要：

每个页面是带 frontmatter 的 markdown（title, type, created, updated, sources, confidence）
5 种页面类型：source / entity / concept / analysis / mental-model
用 [[slug]] 做页面间链接
index.md 是目录，log.md 是操作日志

本体类型参考

当研究对象是人时，参见 references/ontology-types/cognitive.md 的采集策略——页面类型侧重心智模型、启发式、价值体系、表达风格。

当研究对象是领域时，参见 references/ontology-types/domain.md 的采集策略——页面类型侧重机构实体、制度概念、量化指标。

两者共用同一套 wiki 基础设施（ingest/query/lint），区别仅在页面分类和采集侧重。

垂直领域适配

Skill 核心是领域无关的编译引擎。垂直领域的专业性通过两层插件注入：

层	载体	作用	必须？
种子（seed）	`seeds/{name}.md`	冷启动词表：标准术语、关系模板、禁混规则	可选
校验器（validator）	`validators/{name}.md`	运行时逻辑校验：关系合法性、必要关系完整性	可选

没有插件，wiki 自由生长，适合探索性研究。有了插件，wiki 从行业标准起步，概念命名规范、关系结构清晰、逻辑缺口可检测。

社区可贡献：为你的垂直领域写一个 seed 文件（markdown），声明 20-50 个核心术语和禁混规则，就能让该领域的 wiki 从规范化起点生长。

当前可用：

seeds/fibo-pensions.md — 企业年金/养老金（基于 FIBO 标准）
validators/fibo-mcp.md — FIBO SPARQL 逻辑校验（627K 推理三元组）

不做什么

不做向量检索。小规模靠 index + grep，大规模靠 SQLite FTS5 + BM25（见 references/scaling.md）。向量检索留给平台级工具。
不做多用户协作。wiki 目录是本地文件，一个用户一个 wiki。
不替代专业数据工具。领域数据获取用对应的 MCP/工具，本 Skill 只接住它们的产出并编译进 wiki。

与其他工具的关系

本 Skill 不替代任何专业工具，它串联它们：

任意研究工具产出分析 → ingest 进对应 wiki
任意数据工具拉数据   → ingest 进对应 wiki
领域种子提供起跑线   → 标准术语 + 禁混规则
外部校验器纠逻辑     → lint 时检查知识结构完整性

下次执行任务时，Agent 先读相关 wiki → 带着积累的知识工作

17 KiB Raw Blame History Unescape Escape