| name | conversation-knowledge-extractor |
| description | 深度分析当前对话窗口内容，智能识别对话类型（学术写作、学术探讨、编程任务等），提取关键知识点、方法论、个人习惯、常见错误，并结构化输出为详细的可复用知识库文档。特别针对学术写作场景进行深度记录（修改前后对比、写作偏好、习惯模式）。触发词："总结这次对话"、"提取知识点"、"整理对话精华"、"构建知识库"、"记录学习内容"等。 |
Conversation Knowledge Extractor
核心功能
从当前对话窗口中深度提取和结构化知识，生成详细的个人知识库文档。
工作流程
步骤1：对话全览分析
首先快速浏览整个对话窗口，识别：
- 对话轮次总数
- 主要话题数量（可能有多个主题交织）
- 话题类型（学术写作、学术探讨、技术任务、其他）
- 关键转折点（话题切换、重要突破）
步骤2：话题分类与深度提取
根据识别出的话题类型，使用对应的提取模板：
学术写作类（优先级最高，最详细）
- 使用
references/academic-writing-template.md 模板
- 完整记录修改前后对比
- 深度分析写作偏好和习惯
- 详细程度：3000-5000字
学术探讨类
- 使用
references/academic-discussion-template.md 模板
- 记录思考过程和论证逻辑
- 详细程度：2000-3000字
技术任务类
- 使用
references/technical-task-template.md 模板
- 记录方法、工具、决策点
- 详细程度：1500-2500字
综合对话类
- 使用
references/general-conversation-template.md 模板
- 按主题分段记录
- 详细程度：视内容而定
步骤3：智能标注与分级
在提取内容时，添加以下标记：
⭐⭐⭐ 高频问题/核心知识点💡 重要洞察/突破性认知⚠️ 需要强化记忆的点/反复出现的错误🔄 认知演进点（从不理解到理解）📌 个人偏好/习惯
步骤4：生成分级文档
输出结构：
# 第一层：执行摘要（200-400字）
快速概览本次对话的核心价值
# 第二层：结构化详细内容（按模板展开）
完整的知识提取
# 第三层：可执行建议
基于本次对话的后续行动
步骤5：输出与保存
- 生成独立的markdown文件
- 文件命名：
knowledge-{YYYYMMDD}-{主题简称}-{序号}.md
- 使用
create_file 保存到 /home/claude/
- 使用
present_files 提供给用户下载
特殊处理：学术写作深度记录
对于学术写作类对话，必须包含以下详细内容：
修改对比记录
## 原文片段
[引用原始文本]
## 修改后文本
[引用修改后文本]
## 修改原因分析
- 语法层面：[具体说明]
- 表达层面：[具体说明]
- 逻辑层面：[具体说明]
- 风格层面：[具体说明]
## 可复用规则
[从这次修改中提炼出的通用规则]
写作模式识别
- 引言写作偏好
- 论证逻辑习惯
- 段落组织方式
- 过渡句使用特点
- 结论撰写风格
个人习惯追踪
- 常用句式模板
- 偏好的连接词
- 倾向的论证方式
- 需要警惕的表达陷阱
输出文件规范
文件头部（YAML元数据）
---
extraction_date: 2025-01-29T10:30:00Z
conversation_type: [academic-writing / academic-discussion / technical / general]
main_topics: [列表]
importance_level: [high / medium / low]
word_count: [文档字数]
key_tags: [标签列表]
---
文件尾部
## 📋 后续行动建议
[基于本次对话，给出3-5条可执行建议]
## 🔗 潜在关联
[如果能想到与之前知识的关联，标注出来]
## 🎯 下次对话关注点
[标记下次类似任务需要重点关注的方面]
触发指令示例
用户可以用以下任何方式触发：
- "总结这次对话"
- "提取知识点"
- "记录这次学习内容"
- "整理对话精华"
- "构建知识库条目"
- 或任何类似的表述
参考文件
提取模板
输出示例
注意事项
- 完整性优先：宁可详细也不要遗漏重要信息
- 结构化优先：使用清晰的层级和标记
- 可复用性优先：提炼出通用规则而非孤立案例
- 学术写作特殊对待：给予最详细的记录
- 保持客观：如实记录对话内容，不添加主观解读
- 上下文保留：记录足够的上下文以便未来理解
质量检查清单
生成文档前，确认：
