| name | auto-wiki |
| version | 0.2.0 |
| description | 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
