| name | suggestion-engine |
| description | 智能建议引擎，根据上下文和用户行为主动推荐相关操作 |
| trigger | [{"after-command":true}] |
| priority | high |
| version | 1 |
智能建议引擎，在用户执行操作后主动提供个性化推荐，提升知识管理效率。
基于当前操作的内容和上下文，智能推荐下一步操作
自动发现相关知识条目，建议创建关联
根据知识图谱和学习进度，推荐学习路径
根据用户偏好和行为模式，提供优化建议
触发条件：
1. 添加知识后 (kb-add, kb-from-url, kb-from-pdf, kb-from-image)
→ 发现相关条目
→ 建议创建关联
→ 推荐学习计划
2. 搜索后 (kb-search, kb-search-web)
→ 建议细化搜索
→ 推荐相关主题
→ 建议学习路径
3. 编辑知识后 (kb-edit)
→ 检测内容变化
→ 建议更新关联
→ 推荐复习
4. 测验后 (kb-quiz)
→ 显示薄弱环节
→ 推荐针对性复习
→ 建议练习资源
5. 复习后 (kb-review)
→ 显示复习统计
→ 预测下次复习
→ 推荐扩展学习
6. 学习计划更新后 (kb-learn, kb-progress)
→ 显示学习进度
→ 调整学习建议
→ 推荐配套资源
触发时机: 添加知识、编辑知识后
检测逻辑:
def find_associations(new_item):
candidates = []
# 1. 标签重叠度检测
for item in knowledge_base:
overlap = calculate_tag_overlap(new_item.tags, item.tags)
if overlap > 0.5: # 50%以上重叠
candidates.append({
'item': item,
'reason': f"标签重叠度: {overlap*100}%",
'confidence': overlap
})
# 2. 主题提及检测
for item in knowledge_base:
if new_item.title.lower() in item.content.lower():
candidates.append({
'item': item,
'reason': f"内容中提到了 '{new_item.title}'",
'confidence': 0.8
})
# 3. 时间邻近性检测
recent_items = get_items_from_last_week()
for item in recent_items:
if has_similar_context(new_item, item):
candidates.append({
'item': item,
'reason': "最近添加的相似内容",
'confidence': 0.6
})
# 按置信度排序
return sorted(candidates, key=lambda x: x['confidence'], reverse=True)[:5]
建议输出:
💡 发现相关条目
[2026-01-04-105644] React基础概念 (92%相关)
标签重叠: react, hooks
原因: 标签重叠度 85%
[2026-01-04-105900] 函数组件实践 (85%相关)
标签重叠: react
原因: 内容提及了相似概念
建议操作:
1. 创建关联 - /kb-link new-id 2026-01-04-105644
2. 批量关联 - /kb-link new-id all
3. 暂不关联 - skip
执行哪些？(输入序号或all)
触发时机: 搜索后、添加系列知识后
推荐逻辑:
def suggest_learning_path(topic):
# 获取主题相关的所有条目
related_items = search_by_topic(topic)
# 按难度和依赖关系排序
sorted_items = topological_sort(related_items)
# 分组为学习阶段
path = {
'beginner': sorted_items[:3],
'intermediate': sorted_items[3:7],
'advanced': sorted_items[7:]
}
return path
建议输出:
🎓 推荐学习路径: React Hooks
基于您的内容和搜索记录，为您规划了学习路径：
第1阶段: 基础入门 (2-3天)
1. React Hooks概述 [2026-01-04-105644]
2. useState基础 [2026-01-03-102415]
3. useEffect入门 [2026-01-03-105822]
第2阶段: 进阶实践 (1周)
4. Hook规则和限制 [2026-01-02-091533]
5. 自定义Hooks [2026-01-02-104511]
6. 性能优化 [2026-01-01-101234]
第3阶段: 深入理解 (2周)
7. Hooks源码分析 [2026-01-01-095822]
8. 高级模式 [2026-01-01-093211]
建议操作:
1. 创建学习计划 - /kb-learn "React Hooks" --items=1-8
2. 开始学习第一阶段 - /kb-learn "React Hooks" --stage=1
3. 测试当前水平 - /kb-quiz "React Hooks"
选择: _
触发时机: 测验后、复习评分低后
分析逻辑:
def analyze_weaknesses(quiz_results):
weaknesses = {}
for question in quiz_results:
if not question.correct:
topic = question.topic
if topic not in weaknesses:
weaknesses[topic] = {
'count': 0,
'items': []
}
weaknesses[topic]['count'] += 1
weaknesses[topic]['items'].append(question.related_item)
# 按错误频率排序
return sorted(weaknesses.items(),
key=lambda x: x[1]['count'],
reverse=True)
建议输出:
📊 测验分析: React Hooks
总分: 75/100
薄弱环节识别:
❌ useEffect依赖项 (3个错误)
相关条目: [2026-01-03-105822], [2026-01-02-091533]
⚠️ 自定义Hooks (1个错误)
相关条目: [2026-01-02-104511]
建议改进计划:
1. 重点复习useEffect - /kb-review 2026-01-03-105822
2. 重做useEffect练习 - /kb-quiz "useEffect" --difficulty=hard
3. 费曼技巧讲解 - /kb-teach "useEffect依赖项" --role=teacher
4. 创建专项复习计划 - /kb-learn "useEffect深入理解" --focus=true
执行哪些？(输入序号或all)
触发时机: 搜索结果过多/过少后
判断逻辑:
def suggest_search_refinement(search_results, query):
result_count = len(search_results)
if result_count == 0:
return {
'type': 'no_results',
'suggestions': [
f"尝试相关词: '{query}'的同义词",
f"检查拼写: '{query}'是否正确",
f"扩大范围: 移除一些过滤条件"
]
}
elif result_count < 5:
return {
'type': 'few_results',
'suggestions': [
f"相关主题: 搜索 '{query}'相关概念",
f"扩展标签: 使用更宽泛的标签",
f"网络搜索: /kb-search-web '{query}'"
]
}
elif result_count > 20:
return {
'type': 'many_results',
'suggestions': [
f"添加过滤: --tag=xxx, --category=xxx",
f"时间范围: --after=2026-01-01",
f"精确匹配: 使用双引号 '{query}'"
]
}
else:
return None # 结果数量合适，不需要建议
建议输出:
💡 搜索优化建议
找到 35 个结果，结果较多。建议：
1. 添加标签过滤
/kb-search React --tag=hooks
预计减少到 15 个结果
2. 按时间筛选
/kb-search React --after=2026-01-01
只显示最近内容
3. 搜索更具体
/kb-search "React Hooks useState"
使用精确短语
4. 网络搜索补充
/kb-search-web "React Hooks 最新实践"
查找在线资源
执行哪个？(输入序号或done)
触发时机: 每日、学习计划更新时
算法: SuperMemo 2 (SM-2)
def calculate_next_review(item):
if not item.reviews:
return today + 1 day
last_review = item.reviews[-1]
ease_factor = item.easeFactor # 默认 2.5
interval = item.interval # 默认 1 天
# SM-2 算法
if last_review.quality < 3:
# 记忆不好，重置间隔
next_interval = 1
else:
# 记忆好，增加间隔
next_interval = interval * ease_factor
# 调整难度系数
ease_factor = max(1.3,
ease_factor + (0.1 - (5 - last_review.quality) * (0.08 + (5 - last_review.quality) * 0.02)))
return today + next_interval days, ease_factor, next_interval
建议输出:
📅 今日复习提醒 (5条待复习)
1. [2026-01-03-105822] useEffect依赖项
上次评分: 4/5 | 复习间隔: 3天 | 遗忘概率: 35%
2. [2026-01-02-104511] 自定义Hooks
上次评分: 5/5 | 复习间隔: 7天 | 遗忘概率: 20%
3. [2026-01-01-101234] React性能优化
上次评分: 3/5 | 复习间隔: 2天 | 遗忘概率: 50% ⚠️
建议操作:
1. 开始今日复习 - /kb-review --today
2. 优先复习遗忘概率高的 - /kb-review --priority=high
3. 查看复习统计 - /kb-review --stats
预计耗时: 15分钟
触发时机: 添加知识后、批量导入后
检测逻辑:
def analyze_content_quality(item):
issues = []
score = 100
# 1. 完整性检测
if len(item.content) < 200:
issues.append({
'type': 'too_short',
'severity': 'warning',
'message': '内容较短，建议补充更多细节'
})
score -= 10
# 2. 代码示例检测
if 'code' in item.tags and not has_code_examples(item.content):
issues.append({
'type': 'missing_examples',
'severity': 'info',
'message': '代码片段建议添加实际示例'
})
score -= 5
# 3. 标签完整性
if len(item.tags) < 2:
issues.append({
'type': 'few_tags',
'severity': 'info',
'message': f'建议添加更多标签，当前: {item.tags}'
})
score -= 5
# 4. 关联检测
related = find_related_items(item)
if len(related) > 0 and not item.links:
issues.append({
'type': 'missing_links',
'severity': 'suggestion',
'message': f'发现{len(related)}个相关条目，建议创建关联',
'related': related[:3]
})
score -= 10
return {
'score': max(0, score),
'issues': issues
}
建议输出:
📝 内容质量分析
质量得分: 75/100
改进建议:
⚠️ 内容较短
当前: 180字 | 建议: >500字
操作: /kb-edit [id] 补充细节
ℹ️ 缺少代码示例
检测到标签: code-snippet
建议: 添加实际使用示例
💡 发现2个相关条目
• [2026-01-03-105822] useEffect依赖项
• [2026-01-02-104511] 自定义Hooks
操作: /kb-link [id] 2026-01-03-105822
立即改进？(y/n)
建议频率控制:
用户偏好级别:
- conservative: 每操作3-5次后建议1次
- moderate (默认): 每操作1-2次后建议1次
- aggressive: 每次操作后都建议
时间控制:
- 不要在短时间内重复建议 (>5分钟)
- 不要建议用户明确拒绝过的内容
def rank_suggestions(suggestions, user_preferences):
scores = []
for suggestion in suggestions:
score = 0
# 1. 相关性加分
score += suggestion.relevance * 0.4
# 2. 用户兴趣加分
if suggestion.topic in user_preferences.interests:
score += 0.3
# 3. 学习阶段匹配
if suggestion.difficulty == user_preferences.expertiseLevel:
score += 0.2
# 4. 时间合适性
if is_preferred_time(user_preferences.activeHours):
score += 0.1
scores.append((suggestion, score))
# 按分数排序
return sorted(scores, key=lambda x: x[1], reverse=True)[:3]
💡 智能建议 (最多3条)
[优先级高] 建议标题
说明: 简短解释原因
操作: /command-args
[优先级中] 建议标题
说明: 简短解释原因
操作: /command-args
[优先级低] 建议标题
说明: 简短解释原因
操作: /command-args
---
快捷操作:
1 - 执行第1条
2 - 执行第2条
3 - 执行第3条
all - 全部执行
done - 跳过
never - 不再显示此类建议
选择: _
用户响应类型:
1. accept - 接受建议
→ 记录为成功建议
→ 增加该类型建议的权重
2. reject - 拒绝建议
→ 记录为失败建议
→ 降低该类型建议的权重
3. skip - 跳过
→ 不影响权重
→ 可能在下次重新建议
4. never - 永不显示
→ 加入黑名单
→ 永久不再建议该类型
5. modify - 修改后执行
→ 记录用户偏好
→ 调整未来建议
def update_suggestion_preferences(user_action, suggestion):
preferences = load_user_preferences()
# 更新建议接受率
if user_action == 'accept':
preferences.suggestionAcceptRate += 0.1
elif user_action == 'reject':
preferences.suggestionAcceptRate -= 0.05
# 更新类型偏好
suggestion_type = suggestion.type
if user_action == 'accept':
preferences.suggestionTypeWeights[suggestion_type] += 0.2
elif user_action == 'reject':
preferences.suggestionTypeWeights[suggestion_type] -= 0.1
# 更新黑名单
if user_action == 'never':
preferences.suggestionBlacklist.append({
'type': suggestion_type,
'content': suggestion.content_hash
})
# 归一化权重
normalize_weights(preferences.suggestionTypeWeights)
save_preferences(preferences)
{
"suggestions": {
"enabled": true,
"aggressiveness": "moderate", // conservative | moderate | aggressive
"maxSuggestions": 3,
"showConfidence": false,
"typeWeights": {
"association": 0.8,
"learning_path": 0.9,
"weakness": 0.7,
"search_refinement": 0.6,
"review_reminder": 0.8,
"quality_improvement": 0.5
},
"blacklist": [],
"acceptRate": 0.65,
"lastShown": "2026-01-04T14:30:00Z"
}
}
协作模式：
Knowledge Manager 负责内容分析
→ Suggestion Engine 基于分析结果生成建议
例如：
- Knowledge Manager 检测到标签冲突
→ Suggestion Engine 建议标准化标签
协作模式：
NLP Interface 解析用户意图
→ Suggestion Engine 提供操作建议
例如：
- 用户: "我想学习React"
- NLP: 识别为学习意图
- Suggestion: "建议创建学习计划: /kb-learn 'React'"
协作模式：
User Preferences 提供行为数据
→ Suggestion Engine 个性化推荐
例如：
- 偏好显示用户下午2-5点活跃
→ Suggestion 在下午推荐学习资源
→ 早上推荐复习任务
# 建议生成不阻塞主流程
async def generate_suggestions_after_command(command_result):
# 在后台生成建议
suggestions = await async_analyze_and_suggest(command_result)
# 只在合适时机显示
if should_show_suggestions():
display_suggestions(suggestions)
# 缓存常见建议
cache = {
'react_learning_path': {
'suggestions': [...],
'generated_at': '2026-01-04',
'ttl': 86400 # 24小时
}
}
def get_suggestions(topic):
if topic in cache and not cache_expired(topic):
return cache[topic]['suggestions']
return generate_fresh_suggestions(topic)
# 避免重复建议
def deduplicate_suggestions(suggestions, history):
seen = set()
unique = []
for suggestion in suggestions:
signature = (suggestion.type, suggestion.content_hash)
if signature not in seen and signature not in history.recently_shown:
seen.add(signature)
unique.append(suggestion)
return unique
❌ 不好:
- 每次操作都弹出建议
- 一次显示10条建议
- 无法关闭建议
✅ 好:
- 控制频率 (moderate模式)
- 最多显示3条
- 提供"never"选项
❌ 无价值建议:
"您可以查看帮助文档"
✅ 有价值建议:
"发现3个useState相关条目，建议创建关联以提高学习效率"
根据用户调整:
- 新用户: 更多引导性建议
- 高级用户: 更少但更精准的建议
- 特定兴趣: 优先推荐相关领域
- 活跃时间: 学习vs复习建议
用户: /kb-add "React Hooks学习笔记" --tags=react,hooks
系统: ✅ 已添加: [2026-01-04-143052]
💡 智能建议
1. [85%] 创建关联
发现2个相关条目:
• [2026-01-03-105822] useEffect依赖项
• [2026-01-02-104511] 自定义Hooks
操作: /kb-link 2026-01-04-143052 2026-01-03-105822
2. [75%] 开始学习
建议创建学习计划掌握React Hooks
操作: /kb-learn "React Hooks深入理解"
3. [60%] 测试理解
检验对Hooks的掌握程度
操作: /kb-quiz "React Hooks"
选择: _ (或done跳过)
用户: /kb-quiz "React Hooks"
系统: 📊 测验完成: 75/100
💡 改进建议
薄弱环节: useEffect依赖项 (3个错误)
1. 重点复习
/kb-review 2026-01-03-105822 --focus
2. 费曼技巧讲解
/kb-teach "useEffect依赖项" --role=teacher
3. 额外练习
/kb-quiz "useEffect" --difficulty=hard
选择: _
用户: (早晨打开系统)
系统: 📅 早上好！今日学习提醒
📚 复习任务: 5条待复习 (预计15分钟)
🆕 新知识: 昨日添加3条React相关内容
🎯 学习进度: "React Hooks"计划进行中(35%)
建议操作:
1. 开始复习 - /kb-review --today
2. 继续学习 - /kb-learn "React Hooks" --continue
3. 查看详情 - /kb-progress
开始今日学习？(y/n)