Knowledge Engine — 个人知识引擎
把碎片化的阅读和思考变成结构化的、可搜索的、会成长的知识系统。
什么时候用这个 Skill
| 场景 | 动作 |
|---|
| 用户问"我之前看过什么关于 X 的内容" | search --query "X" |
| 读到一篇好文章，想存下来 | add --concept "..." --tags "..." |
| 两个概念之间有关系 | link --from "A" --to "B" --relation "supports" |
| 想看看自己有什么信念，哪些可能过时了 | beliefs-decay |
| 定期整理知识体系 | synthesis --days 7 |
| 想看看知识图谱长什么样 | python visualize.py |
| 检查系统是否正常工作 | eval |
核心理念
不是"记录今天读了什么"，而是——
- 把知识拆成原子概念
- 追踪概念之间的关联
- 记录信念的变化轨迹
- 每天输出delta：什么想法变了
- 每周蒸馏：底层事实 → 中层洞察 → 顶层规律
认知层次
L3 元规律（meta-patterns） ← 自动蒸馏，需人工验证
"AI时代稀缺资源从制作转移到分发"
↑
L2 可复用洞察（insights） ← 自动聚合 L1 生成
"分发能力 > 制作能力" "品味是最后的差异化"
↑
L1 具体事实（raw concepts） ← 手动添加
"北京开发者亏2200" "Notion Agent自动执行11步工作流"
使用指南
1. 搜索已有知识
python3 {baseDir}/scripts/concept_manager.py search --query "分发"
python3 {baseDir}/scripts/concept_manager.py search --query "创业" --tags "AI"
返回匹配的概念列表，按相关度排序。自动记录搜索命中（影响置信度调整）。
2. 添加新概念
python3 {baseDir}/scripts/concept_manager.py add \
--concept "分发能力 > 制作能力" \
--source "HN Ask HN 2026-03-27" \
--context "当AI让创作成本趋近于零，稀缺资源转移到分发" \
--tags "创业,分发,AI" \
--confidence medium
自动循环检测：添加时会检查相似概念，≥0.6 自动合并，≥0.4 警告。用 --force 跳过。
3. 关联概念
python3 {baseDir}/scripts/concept_manager.py link \
--from "分发能力 > 制作能力" \
--to "个人品牌 > 产品能力" \
--relation "supports"
关系类型：supports / evidence / contrast / same_thesis / part_of / related
4. 信念管理
# 记录信念
python3 {baseDir}/scripts/concept_manager.py believe \
--belief "Self-belief是做出来的不是喊出来的" \
--reasoning "Musk的conviction是十几年失败中锤出来的" \
--confidence medium
# 更新信念状态
python3 {baseDir}/scripts/concept_manager.py update-belief \
--id belief-001 \
--status challenged \
--note "用户指出这可能是自大的判断"
# 信念衰减报告（带时间衰减的置信度）
python3 {baseDir}/scripts/concept_manager.py beliefs-decay
5. 知识图谱
python3 {baseDir}/scripts/concept_manager.py graph
python3 {baseDir}/scripts/concept_manager.py graph --concept "分发能力 > 制作能力"
6. 摘要
python3 {baseDir}/scripts/concept_manager.py summary
7. 蒸馏（每周执行）
python3 {baseDir}/scripts/concept_synthesis.py --days 7
自动执行：Reflection → 主题聚合 → L1→L2→L3 蒸馏 → 置信度调整 → 信念衰减 → 热力图 → 生成报告
8. 可视化
python3 {baseDir}/scripts/visualize.py
# 输出: ~/Desktop/knowledge-graph.html
生成交互式知识图谱（D3.js 力导向图），支持拖拽、缩放、悬浮详情、标签筛选。
9. 子 Agent API
import sys; sys.path.insert(0, "{baseDir}/scripts")
from ke_api import ke
# 搜索
results = ke.search("分发", limit=5)
# 添加概念
ke.concept("新概念", source="HN", tags=["创业"])
# 获取上下文（分层检索）
ctx = ke.context("创业", recent=3, semantic=5)
# 获取信念（带时间衰减）
beliefs = ke.beliefs(top=5)
# 快速摘要
summary = ke.summary()
10. 评估
python3 {baseDir}/scripts/eval_knowledge_engine.py
六项测试：Storage / Retrieval / Association / Confidence / Synthesis / Pruning
11. 查找相似概念
python3 {baseDir}/scripts/concept_manager.py similar --concept "分发能力"
12. 使用统计 & 置信度自动调整
python3 {baseDir}/scripts/concept_manager.py stats --days 30
python3 {baseDir}/scripts/concept_manager.py auto-adjust
python3 {baseDir}/scripts/concept_manager.py prune --days 60 --dry-run
数据存储
memory/
├── concepts/ ← 概念卡片（JSON，每个概念一个文件）
├── beliefs/ ← 信念追踪（JSON）
├── insights/ ← 蒸馏报告（Markdown）
├── knowledge.db ← SQLite 索引和搜索
└── delta-log.md ← 变化记录
设计原则
渐进式披露
- Level 1：本文件的 YAML 元数据（始终在系统提示中）
- Level 2：本文件的正文（触发时加载，~500 tokens）
- Level 3：scripts/ 下的 Python 脚本和 resources/ 下的模板（按需执行，不占上下文）
认知与执行分离
- Agent 只需要知道"怎么调用"（本文件的命令示例）
- 实际计算在 Python 脚本中完成（SQLite 查询、JSON 处理）
- Agent 不需要读取 900 行的 concept_manager.py 源码
循环检测
- 新概念自动与已有概念比较相似度
- 高相似度（≥0.6）自动合并，避免知识碎片化
- 中等相似度（≥0.4）提示警告，用户可确认
信念时间衰减
- 7 天内：置信度不变
- 7-14 天：自动降一级
- 14-30 天：再降一级
- 30 天以上 + 零更新：标记为 low
- 被挑战的信念：额外降一级
- 有近期更新：保持或提升
L1→L2→L3 自动蒸馏
- 同标签 ≥3 个 L1 → 自动生成 L2 洞察
- 同标签 ≥2 个 L2 → 自动生成 L3 元规律（初始 low 置信度，需人工验证）
安全
- 零外部依赖：纯 Python 标准库（sqlite3 + json + os）
- 无网络请求：所有操作都在本地完成
- 可审计：所有数据以 JSON 文件存储，人类可读可编辑
- 可恢复：concept 和 belief 都有独立 JSON 文件备份
升级路径
当前 (v0.3):
- sqlite3 + JSON 存储
- 关键词搜索 + 分层检索
- 概念关联 + 信念追踪 + 信念时间衰减
- 循环检测（自动去重）
- L1→L2→L3 自动蒸馏
- 子 Agent API（ke_api.py）
- 交互式可视化
- 六项评估套件
计划 (v0.4):
- chromadb 向量数据库（网络恢复后安装）
- sentence-transformers 本地 embedding
- 语义搜索替代关键词搜索
- 概念质量 LLM-as-Judge 评估
- 多 Agent 共享知识库接口
