nlp-interface

# NLP Interface Skill - 自然语言接口 智能自然语言接口，理解用户的日常语言并自动映射到对应的斜杠命令，让知识管理更自然、更高效。 ## 功能概述 NLP Interface 是一个自动触发的智能接口层，位于用户和命令系统之间： ``` 用户输入 → NLP Interface → 意图识别 → 命令映射 → 执行命令 ↓ ↓ ↓ ↓ "记笔记" 识别为添加 /kb-add 执行添加 ``` **核心能力**： 1. **意图识别**：理解用户想要做什么（6大类意图） 2. **上下文管理**：记住对话历史，理解代词指代 3. **智能路由**：将自然语言映射到具体的斜杠命令 4. **参数提取**：从自然语言中提取命令参数 5. **澄清策略**：当意图不明确时，主动询问 ## 工作流程 ### Step 1: 输入检测 ```python 检测用户输入: IF 输入以 "/" 开头: → 不处理，交给原有命令系统 ELSE: → 进入意图识别流程 ``` ### Step 2: 意图识别 ```python 意图分类（6大类）: 1. 添加知识意图 关键词: "记", "添加", "学习", "了解", "保存", "记录" 映射命令: /kb-add 2. 搜索查找意图 关键词: "找", "搜索", "查", "看看", "有没有", "关于" 映射命令: /kb-search 3. 编辑修改意图 关键词: "修改", "更新", "编辑", "改", "补充", "添加内容" 映射命令: /kb-edit 4. 学习复习意图 关键词: "测试", "测验", "练习", "复习", "回顾", "教我", "讲解" 映射命令: /kb-quiz, /kb-review, /kb-teach 5. 导入内容意图 关键词: "保存这个网页", "抓取", "导入", "从URL", "从PDF" 映射命令: /kb-from-url, /kb-from-pdf, /kb-from-image 6. 网络搜索意图 关键词: "搜索资料", "网上找", "Google一下", "查资料", "找资料" 映射命令: /kb-search-web ``` ### Step 3: 置信度计算 ```python 置信度评估: 高置信度 (>90%): → 直接执行命令 中置信度 (70-90%): → 显示确认信息 → "我要执行: [命令]，确认吗？(回车确认 / n取消)" 低置信度 (<70%): → 询问澄清 → 显示选项列表 → "你想做什么？1. 搜索 2. 添加 3. 测试" ``` ### Step 4: 参数提取 ```python 从自然语言提取命令参数: 标题提取: - 从引号内提取: "标题: React Hooks" - 从冒号后提取: "学习: useState" - 核心名词短语: "React Hooks学习笔记" 标签提取: - "标签: xxx" → ["xxx"] - "带tag xxx" → ["xxx"] - "#xxx" → ["xxx"] - 从内容中识别关键词 分类提取: - "学习笔记" → learning-note - "代码" → code-snippet - "项目" → project-doc - "研究" → research-note 其他参数: - 时间: "最近", "这个月" → --after=DATE - 难度: "简单", "困难" → --difficulty=LEVEL - 数量: "5个", "前10" → --count=N ``` ### Step 5: 上下文解析 ```python 上下文管理（最近10轮对话）: 代词解析: "它" → 最近提到的主体 "这个" → 最近操作的对象 "那个" → 前一轮提到的对象 "第一条" → 上次搜索结果的第1个 话题追踪: - 持续时间: 30分钟内视为同一话题 - 主题延续: "再搜索XXX"（在当前话题内细化） - 话题切换: "现在搜索Python"（清空上下文） 参考解析: "修改它" → /kb-edit [last_id] "关联这个" → /kb-link [last_id] [current_id] ``` ### Step 6: 执行命令 ```python 构建完整命令并执行: 1. 构建命令字符串: intent = "kb-add" params = {"title": "React Hooks", "tags": ["react"]} command = f"/{intent} \"{params['title']}\" --tags={','.join(params['tags'])}" 2. 传递给命令系统: 执行构建的命令 3. 返回结果给用户: 显示命令输出 保存到对话历史 ``` ## 意图识别规则 ### 1. 添加知识 **触发模式**： ``` "记一条笔记" "添加知识" "学习XXX" "了解XXX" "记录XXX" "保存笔记" ``` **示例对话**： ``` 用户: "记一条React Hooks学习笔记" 系统: 意图: kb-add 提取: - 标题: "React Hooks学习笔记" - 类型: learning-note - 标签: [react, hooks] (智能推荐) 执行: /kb-add "React Hooks学习笔记" --type=learning-note --tags=react,hooks ``` ### 2. 搜索查找 **触发模式**： ``` "找XXX" "搜索XXX" "查XXX" "看看XXX" "有没有XXX" "关于XXX的笔记" ``` **示例对话**： ``` 用户: "找useState相关内容" 系统: 意图: kb-search 提取: - 查询词: "useState" - 过滤: 无 执行: /kb-search useState ``` ### 3. 编辑修改 **触发模式**： ``` "修改XXX" "更新XXX" "编辑XXX" "改XXX" "给XXX补充" "修改第一条" "更新刚才那个" ``` **示例对话**： ``` 用户: "修改刚才那条笔记" 系统: 意图: kb-edit 上下文: - 上次操作: 搜索结果 - 最近ID: 2026-01-04-105815 执行: /kb-edit 2026-01-04-105815 ``` ### 4. 学习复习 **触发模式**： ``` "测试XXX" "测验XXX" "练习XXX" "复习今天" "回顾最近" "教我XXX" "讲解XXX" ``` **示例对话**： ``` 用户: "测试React部分" 系统: 意图: kb-quiz 提取: - 主题: "React" - 难度: medium (默认) 执行: /kb-quiz "React" --difficulty=medium ``` ### 5. 导入内容 **触发模式**： ``` "保存这个网页: URL" "导入PDF" "抓取URL" "从URL导入" "从PDF提取" ``` **示例对话**： ``` 用户: "保存https://react.dev这篇文章" 系统: 意图: kb-from-url 提取: - URL: "https://react.dev" 执行: /kb-from-url https://react.dev ``` ### 6. 网络搜索 **触发模式**： ``` "搜索XXX资料" "网上找XXX" "Google一下XXX" "查XXX的资料" "找XXX的学习资源" ``` **示例对话**： ``` 用户: "搜索React性能优化最新资料" 系统: 意图: kb-search-web 提取: - 查询: "React性能优化" - 约束: ["最新"] 执行: /kb-search-web "React性能优化" --time=recent ``` ## 上下文管理 ### 对话历史结构 ```json { "sessionId": "2026-01-04-session-001", "startTime": "2026-01-04T14:30:00Z", "lastActivity": "2026-01-04T14:35:22Z", "turnCount": 5, "currentTopic": "React Hooks", "recentContext": { "lastCommand": "kb-search", "lastQuery": "useState", "lastIds": ["2026-01-04-105815", "2026-01-04-105644"], "lastResult": "3个结果" }, "turns": [ { "turnId": 1, "timestamp": "2026-01-04T14:30:05Z", "userInput": "找React笔记", "intent": "kb-search", "confidence": 0.92, "executedCommand": "/kb-search React" }, ... ] } ``` ### 上下文解析策略 ```python 代词解析规则: "它" → 指向最近操作的主体 例: "修改它" → 修改上次搜索/编辑的条目 "这个" → 指向当前讨论的对象 例: "这个不错" → 当前查看的条目 "那个" → 指向前一轮的对象 例: "那个呢？" → 前一轮提到的另一个对象 "第一条" → 指向列表中的第1个 例: "修改第一条" → 上次搜索结果的第1条 "刚才那个" → 指向上一次操作的对象 例: "再搜索刚才那个" → 继续细化搜索 ``` ## 澄清策略 ### 模糊输入处理 ```python 当意图不明确时: 示例1: 单词输入 用户: "React" 系统: "你想要对React做什么？ 1. 搜索相关笔记 2. 添加新笔记 3. 测试相关知识 4. 学习React 请回复数字或详细描述。" 示例2: 多种可能 用户: "Hooks" 系统: "我找到了几种可能: 1. 搜索: React Hooks相关笔记 2. 添加: 添加Hooks学习笔记 3. 测试: Hooks知识测验 请告诉我具体需求。" ``` ## 偏好学习 ### 自动学习用户习惯 ```python 学习维度: 1. 标签偏好 观察: 最近10次添加笔记，8次使用"frontend" 学习: 默认建议标签包含"frontend" 2. 分类偏好 观察: 70%的笔记在"learning"分类 学习: 默认分类设为"learning" 3. 格式偏好 观察: 用户经常使用详细格式查看搜索结果 学习: 默认使用 --format=detailed 4. 时间偏好 观察: 用户多在下午2-5点学习新知识 学习: 下午主动建议学习资源 ``` ### 偏好应用 ```python 应用偏好到命令: 用户: "记一条笔记" 系统应用: - 默认分类: learning (从偏好中获取) - 推荐标签: [react, hooks] (基于上下文) - 默认模板: learning-note 输出: "我要添加一条学习笔记 建议标签: react, hooks (基于最近话题) 要修改吗？(回车确认 / 输入新标签)" ``` ## 智能建议 ### 操作后建议 ```python 在命令执行完成后触发建议: 添加知识后: - 发现相关条目 (相似度>80%) - 建议创建关联 - 建议开始学习计划 搜索后: - 建议细化搜索 - 建议学习路径 - 推荐相关主题 测验后: - 显示薄弱环节 - 建议针对性复习 - 推荐练习资源 ``` ## 配置选项 ```json { "nlp": { "enabled": true, "confirmThreshold": 0.7, "contextWindow": 10, "sessionTimeout": 1800, "maxHistory": 100 }, "preferences": { "autoLearn": true, "suggestAfterCommand": true, "showConfidence": false } } ``` ## 使用示例 ### 完整对话流程 ``` # 对话开始 用户: "找React笔记" 系统: [执行 /kb-search React] 找到 3 个相关条目... 用户: "修改第一条" 系统: [从上下文解析 ID: 2026-01-04-105815] [执行 /kb-edit 2026-01-04-105815] 用户: "补充useEffect的内容" 系统: [识别为编辑操作，保持当前ID] 请输入要补充的内容... 用户: "测试一下React" 系统: [执行 /kb-quiz "React" --difficulty=medium] # 30分钟后，新会话开始 用户: "搜索useState" 系统: [新会话，清空上下文] [执行 /kb-search useState] ``` ## 性能优化 ```python 优化策略: 1. 意图识别缓存 - 常见输入模式缓存 - 避免重复计算 2. 对话历史压缩 - 只保留关键信息 - 定期清理过期会话 3. 异步处理 - 偏好学习异步执行 - 不阻塞主流程 ``` ## 错误处理 ```python 错误处理策略: 1. 意图识别失败 → 询问用户具体需求 → 提供命令列表 2. 参数提取失败 → 使用默认值 → 询问用户确认 3. 命令执行失败 → 显示原始错误 → 建议正确的命令格式 4. 上下文丢失 → 提示用户重新指定 → 提供历史记录 ``` ## 调试模式 ```python 调试模式输出: 当 showConfidence=true 时: 用户: "记笔记" 系统: [DEBUG] 意图: kb-add 置信度: 0.85 提取参数: {title: null, tags: []} 构建命令: /kb-add 状态: 需要澄清 请提供标题和内容... ``` ## 与其他组件配合 ```python 协作组件: 1. Knowledge Manager - 添加知识后触发 - 接收标签和关联建议 2. Suggestion Engine - 接收操作上下文 - 返回智能建议 3. Search Assistant - 网络搜索触发 - 返回整理结果 4. User Preferences - 读取用户偏好 - 更新使用统计 ``` ## 版本历史 - v1.0 (2026-01-04): 初始版本 - 实现6大意图识别 - 上下文管理 - 参数提取 - 澄清策略