Menu
知识工程与知识图谱构建中的知识飞轮设计模式
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
Based on SOC occupation classification
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
| 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 |