| name | query |
| description | 在本地 Wiki 知识库中回答用户提问。支持三种模式：精准查询（默认）、探索查询（--explore）、关系查询（--relate）。必须先读取 wiki/index.md 定位相关页面，再深度阅读，最后以双链引用格式回答。禁止凭模型记忆回答。 |
| user-invocable | true |
Query 技能
核心目标
将用户的提问转化为对本地 Wiki 的深度检索。支持三种查询模式，根据问题类型自动选择或手动指定。通过索引系统精准定位相关页面，提取信息，综合出带有明确引用来源的双链回答。
触发条件
- 用户输入
/query <问题> — 精准查询模式
- 用户输入
/query --explore <主题> — 探索查询模式
- 用户输入
/query --relate <概念A> <概念B> — 关系查询模式
- 用户用自然语言询问：
"我的笔记里关于 X 是怎么说的"、"过去我对 Y 的决策是什么"、"查询 Z 相关的知识"
降级策略
如果问题属于纯通用知识（如"太阳系有几颗行星"），且 wiki/index.md 中无相关内容：
本地知识库中未找到相关内容，以下为通用知识回答：[直接回答]
模式 1：精准查询（默认）
适用场景：具体问题，如"什么是 Transformer？"、"Claude Code 的核心功能是什么？"
步骤 1：索引导航
永远的第一步：读取 wiki/index.md
这是总索引，按 domain 和 type 双维度列出所有页面。根据问题关键词，定位到 5-10 个最相关的页面。
判断逻辑：
- 如果问题明确涉及某些实体或概念，直接定位到对应页面
- 如果问题较宽泛，选择多个可能相关的页面
- 如果索引中页面数量过多（> 100），先按 domain 或 type 筛选
关键优化：
- 只读取 wiki/index.md（通常 < 200 行）
- 精准定位到 5-10 个页面，不要全量扫描
步骤 2：深度阅读
只读取定位到的 5-10 个页面：
Read wiki/{type}/{page}.md
获取完整内容，提取与问题相关的信息。
关键优化：
- 只读取步骤 1 定位到的页面，不要额外读取
- 如果 5-10 个页面不足以回答问题，返回步骤 1 重新定位
步骤 3：综合与回答
综合信息，回答用户问题。
双链引用规范：
- 每当引用某个 Wiki 页面的信息，在文本中使用
[[页面名称]] 标注
- 整段引用同一页面：段落首尾各引用一次
- 引用特定原文：使用 Markdown 块引用
> 引用内容
回答格式：
根据知识库中的信息：
[回答内容，使用 [[wikilink]] 标注引用]
## 参考页面
- [[type/页面1]] — 简短说明
- [[type/页面2]] — 简短说明
步骤 4：高价值内容固化
如果满足以下条件，主动询问用户是否保存为 synthesis：
- 回答超过 2 个段落
- 内容具有分析对比性或总结性
- 综合了多个页面的信息
询问话术：
这是一个有价值的总结，是否需要我将其保存到 wiki/syntheses/ 目录？
用户同意后，按照 CLAUDE.md 规范创建文件：
---
title: "页面标题"
type: synthesis
domain: AI | 财务 | 健康 | 未分类
tags: [标签1, 标签2, 标签3]
sources: []
last_updated: YYYY-MM-DD
backlinks_count: 0
---
# 总结内容
[回答内容]
## 关联连接
- [[页面1]] — 引用来源
- [[页面2]] — 引用来源
并在 wiki/index.md 的对应 domain 和 Syntheses 分类下注册。
步骤 5：记录操作日志
无论是否生成 synthesis 页面，查询结束后必须在 wiki/log.md 末尾追加：
## [YYYY-MM-DD] query | <操作简述>
- **模式**: 精准查询
- **输出**: <引用页面列表或"即时回答未保存">
- **引用页面**: N 个
模式 2：探索查询（/query --explore <主题>）
适用场景：广度优先探索，如"我对 AI 了解多少？"、"知识库中有哪些关于 LLM 的内容？"
步骤 1：广度扫描
读取 wiki/index.md，找到所有与主题相关的页面（不限数量）
只读取每个页面的 frontmatter + 第一段（摘要），不读取完整内容
步骤 2：生成知识地图
根据扫描结果，生成以下内容之一：
选项 A：Mermaid 思维导图
mindmap
root((主题))
Concepts
[[概念1]]
[[概念2]]
Entities
[[实体1]]
[[实体2]]
Sources
[[来源1]]
[[来源2]]
选项 B：文本知识地图
# 知识库中关于「主题」的内容
## 概念层（Concepts）
- [[概念1]] — 一句话描述
- [[概念2]] — 一句话描述
## 实体层（Entities）
- [[实体1]] — 一句话描述
- [[实体2]] — 一句话描述
## 来源层（Sources）
- [[来源1]] — 一句话描述
## 知识缺口
- 缺少关于 X 的深度分析
- Y 和 Z 的关系尚未建立
步骤 3：深入引导
询问用户是否深入某个分支：
发现 N 个相关页面。是否需要深入了解某个具体概念？（如需要，请告诉我页面名称，我将切换到精准查询模式）
步骤 4：记录操作日志
## [YYYY-MM-DD] query | 探索查询：<主题>
- **模式**: 探索查询
- **覆盖范围**: N 个页面（concepts: X, entities: Y, sources: Z）
- **输出**: 知识地图
模式 3：关系查询（/query --relate <概念A> <概念B>）
适用场景：探索两个概念的关系，如"Transformer 和 Attention 的关系？"
步骤 1：定位节点
从 wiki/index.md 找到概念 A 和概念 B 的页面
如果找不到，报告：
知识库中未找到 [[概念A]] 或 [[概念B]] 的页面。
步骤 2：图遍历
读取两个页面的完整内容，特别关注：
## 关联连接 区域- 正文中提到的其他 [[wikilink]]
递归查找：
- 直接关系：A 的关联连接中是否有 B？
- 间接关系：A 和 B 是否有共同的中间节点？
- 最短路径：A → 中间节点 → B
步骤 3：关系可视化
生成 Mermaid 关系图：
graph LR
A[概念A] -->|直接关系| B[概念B]
A -->|依赖| C[中间概念]
C -->|实现| B
或文本描述：
# [[概念A]] 和 [[概念B]] 的关系
## 直接关系
- [[概念A]] 在其定义中提到了 [[概念B]]
- [[概念B]] 是 [[概念A]] 的核心组成部分
## 间接关系
- 两者都与 [[中间概念]] 相关
- 最短路径：[[概念A]] → [[中间概念]] → [[概念B]]
## 共同依赖
- 都依赖于 [[基础概念]]
- 都被 [[高层概念]] 引用
步骤 4：记录操作日志
## [YYYY-MM-DD] query | 关系查询：<概念A> vs <概念B>
- **模式**: 关系查询
- **关系类型**: 直接关系 | 间接关系 | 无关系
- **中间节点**: N 个
强制约束
- 禁止凭记忆回答 — 必须先检索知识库
- 禁止过度引用 — 同一页面的信息在段落首尾引用一次即可
- 禁止静默回答 — 知识库无相关内容时必须声明
- 精准定位 — 通过索引定位，避免全量扫描
- 探索模式节省 token — 只读 frontmatter + 第一段，不读完整内容
关联连接
- [[wiki/index.md]] — 总索引入口
- [[wiki/log.md]] — 操作日志
- [[CLAUDE.md]] — Wiki 架构总规范
