القائمة
知识工程与知识图谱构建中的知识飞轮设计模式
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
| name | workflow-knowledge-flywheel |
| description | 知识工程与知识图谱构建中的知识飞轮设计模式 |
笨数据 + 笨方法 + 笨模型 = 精知识
接受起点数据的不完美，通过可迭代系统逐步提升知识纯度。
转向本地部署开源模型后：
触发 → 调用基础模块 → 产生微小进步 → 精炼
↑ ↓
←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←←
识别一个微小、可验证的子问题。
使用简单、可靠的原子操作：
每次循环必须有可衡量的产出：
将进步固化到知识库，成为下一轮的基础模块。
将宏大问题分解为无数微小、可验证的子问题。
每次循环是独立、逻辑清晰的过程，不依赖复杂状态。
每个子任务设计为必然成功，避免挫败感。
飞轮方向明确，每次迭代都在向目标靠近。
数据飞轮"静止点"（极稀有数据）突破方法： 利用 VLM 进行初步收割 通过 Human-in-the-loop 纠偏 形成冷启动种子数据
# 不要过度设计索引，先用线性扫描跑起来
for chunk in text_chunks:
if is_relevant(chunk, query):
yield extract_info(chunk)
# embedding + cosine similarity 足够处理大多数场景
def semantic_search(query, corpus, top_k=10):
query_emb = embed(query)
scores = [cosine(query_emb, doc_emb) for doc_emb in corpus_embs]
return top_k_indices(scores)
# 强制 JSON 输出，便于后续处理
prompt = """
从以下文本提取人物关系，输出 JSON 格式：
{"relations": [{"person_a": "...", "relation": "...", "person_b": "..."}]}
"""
| 日期 | 变更 |
|---|---|
| 2026-02-21 | 从 OBSERVATIONS.md 晋升，整理为独立 skill |
LLM Wiki vault 操作手册。 触发条件： - /ingest <path> — 当用户说「ingest」「把这篇文章加入 wiki」「编译到 wiki」「摄取」时触发 - /query <question> — 当用户说「搜索 wiki」「wiki 中有没有」「查一下 wiki」时触发 - /lint — 当用户说「检查 wiki」「wiki 健康度」「lint」「有没有断链」时触发 - /research <topic> — 当用户说「研究一下」「深度调研」「research」时触发
Use when the user wants to brainstorm an idea or design a feature/spec. Explores intent and requirements through dialogue, then writes a spec document to contexts/thought_review/ and STOPS. Does not auto-chain to implementation planning or any other skill.
结构稳定性分析器。不判断观点对错，只判断一件事：这个结构能不能活下去。 对任意观点、系统、模型、制度、人物言论进行五维结构稳定性分析， 输出存活概率和失效路径。当用户说「分析这个结构」「这个观点稳不稳」 「帮我拆一下」「结构分析」时触发。
AI 辅助开发中遇到“代码改不好”时的诊断思路与决策树
AI 产品设计、交互设计与系统架构中的关键原则与常见陷阱
AI 辅助编程与 Agent 系统设计的核心方法论和判断原则