| name | im-wiki-extractor |
| description | 专门用于将超长群聊日志转化为结构化知识图谱。采用滑动窗口增量提取，规避上下文限制，并确保实体与关系的沉淀与溯源。 |
| license | Apache-2.0 |
| author | github/cafe3310 |
| depends_on_skill | ["github/cafe3310/agent-skill-memories-off -> memories-off"] |
| depends_on_binary | ["python3"] |
本技能旨在将非结构化的聊天记录（如群聊历史）转化为存储在 memories-off Agent Skill 生成的仓库中的结构化知识图谱。
它强调「逐渐增量」的处理方式，通过 100 行一个的「滑动窗口」来处理超长日志，从而规避模型上下文限制。
该技能通过动态注入工具的 help 信息来确保子代理生成 100% 正确的 CLI 指令。
本 Skill 依赖 memories-off 库进行实体管理与长期记忆。在执行任何任务前，您必须先查阅并完整遵循当前目录下的 memories-off-declare.md 声明文档，以获取其定义的实体类型规范及封装的子过程操作细节。
提取任务应遵循用户给出的实体和关系规范。
在 templates/meta.md 中包含了一个示例定义，定义了实体的类型（Member, Opinion, Info 等）及其关系谓语（Propose, Discuss 等）。
用户可以根据实际需求进行调整。
templates/meta.md。templates/prompt_template.md。memories-off 仓库: 在用户指定的地方创建知识目录并执行 memocli init。templates/meta.md 的内容写入知识库的 meta.md；或根据用户之前的输入动态生成 meta.md。memocli init 创建的知识库中创建 chat_res 子目录，用于存储规范化后的原始语料；然后将原始日志复制到 chat_res，按顺序重命名为 YYYY-MM-DD_NNN_orig_name.md。python scripts/setup_workspace.py path_to_chat_res TASK_YYYY-MM-DD.md。该脚本会扫描语料并生成带有行号分片（100行）和前序上下文（50行）的 TASK 文件。针对 TASK 文件中定义的每个未完成分片（[ ]）：
TASK 文件中第一个 [ ] 状态的分片开始处理。python scripts/generate_prompt.py ...。该脚本现在会动态注入支持「组合操作」的 memocli 语法（如在追加内容的同时建立关系）。append-update --add-rel-out 等组合指令，减少工具调用次数。--path。TASK 文件，确认分片状态已更新为 [x]。memocli commit -r "processed chunk [ID]"。该命令会自动触发全库审计并生成标准的 Git 提交信息。memocli 的 --add-rel-out/in 参数。在 create-entity 或 append-update 时同步完成关系建模，提升提取效率。generate_prompt.py 会实时调用 memocli --help 以确保子代理使用的语法与当前环境安装的版本 100% 匹配。create-entity，通过 || true 忽略已存在错误。ls 或全局 search。append-update 必须包含 filename:line_range。scripts/setup_workspace.py: 初始化分片任务清单。scripts/generate_prompt.py: 动态组装包含权威 CLI 语法的子代理提示词。templates/prompt_template.md: 核心任务模板，包含元数据和工具操作占位符。templates/meta.md: 图谱本体定义模板。编写、丰富与编译 model cookbook 的专用人机协作开发工作流。包含 Prompting Guide 大纲扩展、交付物大纲拆解与初始化、TOC 驱动编译为 HTML/Jupyter Notebook 预览及两库联动沉淀。
处理面试记录的 Agent 技能。包含面试大纲规划、面试提问提取与纠错、面试总结自评，以及知识图谱存储方案。
一个互动式的主题学习助手。作为一名智能学习伙伴，将用户的学习目标结构化，并引导完成学习过程。使用此技能时，必须高频、精确地使用 memocli 读写知识图谱，以记录和追踪学习状态。当用户希望开始新的学习主题、继续之前的学习、或者需要你引导学习某个概念时使用。
结合深度调研（Deep Research）与人工洞察（Human-in-the-loop），为大模型生态合作生成商业落地规划与极度颗粒度的宣发物料。当用户希望通过严谨的两阶段调研（前期探索与深度研究）、引入人工战略判断，并最终生成全套合作与 GTM 方案时，使用此技能。
A comprehensive, autonomous deep research framework. Use this skill when the user requests a thorough, multi-dimensional investigation into a complex topic, market research, technology landscape, or any task requiring extensive web browsing, data synthesis, and structured reporting. It orchestrates subagents and uses file-system-based state management to prevent context bloat.
作为一个 doc-todo-log-loop 的补充技能，用于在开发过程中整理、归纳项目的设计理念、核心概念和架构模式。旨在将分散的开发决策和隐性知识转化为系统的设计文档。