一键在 Manus 中运行任何 Skill

开始使用

serendipity

星标1

分支0

更新时间2026年5月24日 23:11

从 Wiki 随机抽取 1-3 个页面作为灵感种子，到网上搜索相关分析文章，发现 Wiki 真正的缺口并补齐。可接受参数指定灵感方向。项目路径见 local/config/serendipity.config.md。

安装

用 Codex 或 Claude 帮你安装复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。

在 Manus 中运行

来源

OrangeViolin

OrangeViolin/high-school-physics-wiki

打开 GitHub 仓库查看创作者相关仓库

下载

在 Manus 中运行

文件资源管理器

2 个文件

SKILL.md

readonly

name	serendipity
description	从 Wiki 随机抽取 1-3 个页面作为灵感种子，到网上搜索相关分析文章，发现 Wiki 真正的缺口并补齐。可接受参数指定灵感方向。项目路径见 local/config/serendipity.config.md。

/serendipity — 随缘探索 Skill

核心理念

从 Wiki 自身出发，借外部视角照亮盲区。

从现有 Wiki 随机抽取种子页面，以它们为起点搜索相关分析文章，再反过来发现 Wiki 的缺口。外部资料只提供选题灵感，词条正文须基于书中内容（corpus 路径见 local/config/serendipity.config.md）。

参数

调用方式	说明
`/serendipity`	随机从 Wiki 抽取 1–3 个种子页面
`/serendipity 图灵`	以"图灵"为方向，定向探索
`/serendipity 神经网络深度学习`	以多个关键词为方向

工作流程

步骤 1 · 抽取灵感种子

python3 -c "
import json, random
pages = json.load(open('docs/wiki/pages.json'))['pages']
candidates = [p for p,v in pages.items() if not p.startswith('第') or not p.endswith('章')]
seeds = random.sample(list(candidates), min(3, len(candidates)))
for s in seeds:
    v = pages[s]
    print(s, '|', v.get('type','?'), '|', v.get('description','')[:40])
"

读取种子页面正文，提取 2–3 个尚未充分展开的关联概念。

步骤 2 · 构造搜索查询

角度	构造方式
历史深挖	`人工智能历史 [种子词] 深度解读`
学术角度	`[种子词] AI history review`
冷门细节	`[种子词] 人工智能早期细节`
当代评价	`[种子词] 影响现代AI`

步骤 3 · 并发搜索 + 精读

同时发出 2–3 个 WebSearch 查询（并行）。从结果中挑 1–2 篇最有趣的文章，WebFetch 精读。

精读提取要点：

提到了哪些具体的人物、系统、事件、概念？
有没有书中提及但 Wiki 尚无词条的实体？
有没有跨话题的关联叙述？

步骤 4 · 识别候选话题

从文章中提炼 3–8 个候选词条话题。

过滤原则：

须在 corpus_search.py 中有命中（否则不建页）
外部分析框架名（如"寒冬"、"AI热潮"）：若书中有此词 → 建页；否则只做背景参考
过于抽象的概念（如"科技乐观主义"）：不建 concept 页

步骤 5 · 对照现有 Wiki 查缺口

python3 -c "
import json
ai = json.load(open('docs/wiki/pages.json'))['alias_index']
for c in ['话题A', '话题B']:
    print(c, '->', ai.get(c, 'MISSING'))
"

步骤 6 · corpus_search 验证

python3 wiki/scripts/butler/corpus_search.py "话题名" --max 8

入选标准：

≥3 次命中 → 建完整页面（create-page）
1–2 次命中 → 建 stub（create-stub）
0 次命中 → 不建页

步骤 7 · 撰写词条

内容须基于 corpus_search.py 找到的书中原文，不得将外部分析结论直接写入正文。

步骤 8 · 发布

/wiki

输出格式

## /serendipity 探索报告

### 灵感种子
- 「图灵测试」（concept）— 随机抽取

### 浏览的文章
1. [标题](URL) — 来源 — 主要角度一句话

### 候选话题筛查
| 话题 | Wiki 现状 | corpus 命中 | 决策 |
|------|----------|------------|------|
| 约翰·麦卡锡 | MISSING | 12 | ✅ 建页 |
| AI寒冬 | MISSING | 3 | ✅ 建页 |
| 通用人工智能 | 已有 | — | ❌ 跳过 |

### 本次产出
- 新建词条：X 个
- 扩写词条：Y 个

禁止事项

❌ 禁止把外部解读框架直接当词条内容（须有书中依据）
❌ 禁止未查 corpus 就直接写词条
❌ 禁止 git commit（由 /wiki 负责）

同仓库更多 Skills

同仓库

chapter-scan

OrangeViolin/high-school-physics-wiki

逐章反思，一次只扫一章，发现章节中遗漏的实体页面和改进建议。项目路径见 local/config/chapter-scan.config.md。

2026-06-161

editor

OrangeViolin/high-school-physics-wiki

Wiki 编委审稿：检查近期 butler 工作是否违反质量规范，输出分级违规报告，给出具体纠正建议。项目路径见 local/config/editor.config.md。

2026-06-161

enrich

OrangeViolin/high-school-physics-wiki

升级当前 wiki 页面质量一档（stub→basic→standard→featured→premium）。诊断页面当前指标缺口，执行对应补充操作（扩写散文、补充引用、加节）。当用户说 /enrich PAGE 或 /enrich PAGE 目标档时触发。

2026-06-161

butler

OrangeViolin/high-school-physics-wiki

启动 Wiki 管家永续 loop。两队列系统（content/housekeeping）。每轮：W1队列选任务→W2执行→W3自评→记账，无需用户逐轮确认。每11轮discover+housekeeping-scan，每17轮执行ADM4-commit，每29轮W5反思，每37轮H17覆盖扫描。带 --auto 参数时忽略 fail 暂停 + 上下文将满时 ScheduleWakeup 自续。项目路径见 local/config.md。

2026-06-031

grow

OrangeViolin/high-school-physics-wiki

启动或推进当前 Wiki 的 GROW 增长流程。读取 GROW.md 中的当前阶段，按 $MEMEX_ROOT/GROW.spec.md 执行下一个未完成的 Phase。BIRTH Phase 10 完成后调用。

2026-06-031

butler

OrangeViolin/high-school-physics-wiki

启动 Wiki 管家永续 loop。两队列系统（content/housekeeping）。每轮：W1队列选任务→W2执行→W3自评→记账，无需用户逐轮确认。每11轮discover+housekeeping-scan，每17轮自动/wiki发布，每29轮W5反思，每37轮H17覆盖扫描。带 --auto 参数时忽略 fail 暂停 + 上下文将满时 ScheduleWakeup 自续。项目路径见 local/config.md。

2026-06-011

name	serendipity
description	从 Wiki 随机抽取 1-3 个页面作为灵感种子，到网上搜索相关分析文章，发现 Wiki 真正的缺口并补齐。可接受参数指定灵感方向。项目路径见 local/config/serendipity.config.md。

/serendipity — 随缘探索 Skill

核心理念

从 Wiki 自身出发，借外部视角照亮盲区。

参数

调用方式	说明
`/serendipity`	随机从 Wiki 抽取 1–3 个种子页面
`/serendipity 图灵`	以"图灵"为方向，定向探索
`/serendipity 神经网络深度学习`	以多个关键词为方向

工作流程

步骤 1 · 抽取灵感种子

python3 -c "
import json, random
pages = json.load(open('docs/wiki/pages.json'))['pages']
candidates = [p for p,v in pages.items() if not p.startswith('第') or not p.endswith('章')]
seeds = random.sample(list(candidates), min(3, len(candidates)))
for s in seeds:
    v = pages[s]
    print(s, '|', v.get('type','?'), '|', v.get('description','')[:40])
"

读取种子页面正文，提取 2–3 个尚未充分展开的关联概念。

步骤 2 · 构造搜索查询

角度	构造方式
历史深挖	`人工智能历史 [种子词] 深度解读`
学术角度	`[种子词] AI history review`
冷门细节	`[种子词] 人工智能早期细节`
当代评价	`[种子词] 影响现代AI`

步骤 3 · 并发搜索 + 精读

同时发出 2–3 个 WebSearch 查询（并行）。从结果中挑 1–2 篇最有趣的文章，WebFetch 精读。

精读提取要点：

提到了哪些具体的人物、系统、事件、概念？
有没有书中提及但 Wiki 尚无词条的实体？
有没有跨话题的关联叙述？

步骤 4 · 识别候选话题

从文章中提炼 3–8 个候选词条话题。

过滤原则：

须在 corpus_search.py 中有命中（否则不建页）
外部分析框架名（如"寒冬"、"AI热潮"）：若书中有此词 → 建页；否则只做背景参考
过于抽象的概念（如"科技乐观主义"）：不建 concept 页

步骤 5 · 对照现有 Wiki 查缺口

python3 -c "
import json
ai = json.load(open('docs/wiki/pages.json'))['alias_index']
for c in ['话题A', '话题B']:
    print(c, '->', ai.get(c, 'MISSING'))
"

步骤 6 · corpus_search 验证

python3 wiki/scripts/butler/corpus_search.py "话题名" --max 8

入选标准：

≥3 次命中 → 建完整页面（create-page）
1–2 次命中 → 建 stub（create-stub）
0 次命中 → 不建页

步骤 7 · 撰写词条

内容须基于 corpus_search.py 找到的书中原文，不得将外部分析结论直接写入正文。

步骤 8 · 发布

/wiki

输出格式

## /serendipity 探索报告

### 灵感种子
- 「图灵测试」（concept）— 随机抽取

### 浏览的文章
1. [标题](URL) — 来源 — 主要角度一句话

### 候选话题筛查
| 话题 | Wiki 现状 | corpus 命中 | 决策 |
|------|----------|------------|------|
| 约翰·麦卡锡 | MISSING | 12 | ✅ 建页 |
| AI寒冬 | MISSING | 3 | ✅ 建页 |
| 通用人工智能 | 已有 | — | ❌ 跳过 |

### 本次产出
- 新建词条：X 个
- 扩写词条：Y 个

禁止事项

❌ 禁止把外部解读框架直接当词条内容（须有书中依据）
❌ 禁止未查 corpus 就直接写词条
❌ 禁止 git commit（由 /wiki 负责）