knowledge-update

name	knowledge-update
description	知识迭代与沉淀技能。每当 Agent 完成一次工作后，如果发现用户提供了新的模板或格式要求、纠正了输出方向、产生了可复用的经验或规律，必须使用本 Skill 生成知识提案并提交给 Knowledge Curator 审查。适用于所有角色完成任务后的知识沉淀环节，以及 Knowledge Curator 执行审查时。

Knowledge Update Skill — 知识迭代技能

概述

本 Skill 负责整个 AI Team 的知识自进化机制，包含两个核心动作：

1. 提案生成：任意 Agent 工作结束后，判断并生成知识提案
2. 提案审查：Knowledge Curator 对提案进行审查并写入

---

动作一：提案生成（所有 Agent 使用）

触发判断

工作结束后，依次检查以下条件：

检查项	是否需要提案
用户提供了新的模板 / 格式要求	✅ 必须
用户纠正了输出方向或内容	✅ 必须
同类场景第 2 次以上出现且有规律	✅ 建议
发现了比现有流程更高效的做法	✅ 建议
本次任务是明确的一次性特殊场景	❌ 跳过
输出与现有记录完全一致	❌ 跳过

如果所有条件均为"跳过"，则不生成提案，直接结束。

提案文件命名规范

memory/proposals/{YYYYMMDD-HHMMSS}_{来源agent}_{主题关键词}.md

示例：memory/proposals/20240115-143200_cto_客户技术方案模板.md

提案生成步骤

Step 1：确定提案内容
整理本次任务中产生的新经验，用简洁的语言描述。

Step 2：判断建议级别

• 3 个以上角色都可能用到 → 全局（shared/）
• 1-2 个特定角色使用 → 专属（memory/agents/{role}/）

Step 3：生成提案文件
按以下模板填写（使用 shared/GLOBAL_TEMPLATES.md 中的 T-005 模板）：

---
提案ID: {YYYYMMDD-HHMMSS}-{来源Agent}
提案时间: {YYYY-MM-DD HH:MM:SS}
来源Agent: {agent名称}
触发场景: {本次任务的简要描述（1-2句话）}
建议写入位置: {目标文件路径}
建议级别: {全局 / 专属}
---

## 变更内容

**类型**: {新增 / 修改 / 废弃}
**标题**: {简要标题}

{具体内容，格式与写入目标文件保持一致}

## 变更理由

{为什么这条经验值得沉淀（1-3句话），能在哪些场景被其他 Agent 复用}

## Curator 审查意见

审查时间: 
审查结果: 
理由: 
写入位置: 

Step 4：写入文件，然后通知 Knowledge Curator 有新提案待审查。

---

动作二：提案审查（Knowledge Curator 使用）

审查步骤

Step 1：读取 memory/proposals/ 下最新未处理提案

Step 2：按以下标准审查

通过条件（满足任意一条）：

• 用户明确提供了新的模板或规则
• 同类场景 2+ 次出现有规律可循
• 内容能显著提升其他 Agent 的输出质量

拒绝条件（满足任意一条）：

• 明确的一次性特殊场景
• 与已有记录相似度 > 80%
• 表述模糊，无法被其他 Agent 复用
• 涉及敏感信息

Step 3：填写审查意见到提案文件

Step 4a — 通过时：

# scripts/apply_update.py 执行逻辑（手动操作参考）

# 1. 将内容追加到目标文件
# 2. 在目标文件的"变更记录"表格追加一行
# 3. 将提案文件移动到 memory/proposals/archived/
# 4. 输出通知

追加到目标文件的格式：

---
<!-- 来源: {提案ID} | 时间: {YYYY-MM-DD} | 来源Agent: {agent} -->
{提案中的变更内容}

通知格式：

✅ 知识已更新
━━━━━━━━━━━━━━━━━━━━━━
提案来源: {来源Agent}
写入位置: {文件路径}
内容摘要: {一句话摘要}
━━━━━━━━━━━━━━━━━━━━━━
如需撤销，请手动删除上述文件中对应条目（以提案ID为标识）。

Step 4b — 拒绝时：

• 填写拒绝理由到提案文件
• 移动到 memory/proposals/archived/
• 静默处理，不输出通知

---

辅助脚本说明

scripts/submit_proposal.py

#!/usr/bin/env python3
"""
提交知识提案脚本
用法: python submit_proposal.py --agent <角色> --topic <主题> --content <内容文件路径>
"""

import argparse
import os
from datetime import datetime

def main():
    parser = argparse.ArgumentParser(description='提交知识提案')
    parser.add_argument('--agent', required=True, help='来源角色名称')
    parser.add_argument('--topic', required=True, help='提案主题关键词')
    parser.add_argument('--content', required=True, help='提案内容文件路径')
    parser.add_argument('--level', default='专属', choices=['全局', '专属'], help='建议级别')
    parser.add_argument('--target', required=True, help='建议写入的目标文件路径')
    args = parser.parse_args()

    timestamp = datetime.now().strftime('%Y%m%d-%H%M%S')
    proposal_id = f"{timestamp}-{args.agent}"
    filename = f"memory/proposals/{timestamp}_{args.agent}_{args.topic}.md"

    with open(args.content, 'r', encoding='utf-8') as f:
        content = f.read()

    proposal = f"""---
提案ID: {proposal_id}
提案时间: {datetime.now().strftime()}
来源Agent: 
触发场景: 
建议写入位置: 
建议级别: 
---

## 变更内容



## 变更理由

（请补充：为什么这条经验值得沉淀）

## Curator 审查意见

审查时间: 
审查结果: 
理由: 
写入位置: 
"""

    os.makedirs(, exist_ok=)
     (filename, , encoding=)  f:
        f.write(proposal)

    ()
    ()

 __name__ == :
    main()

scripts/review_proposal.py

#!/usr/bin/env python3
"""
审查知识提案脚本（Knowledge Curator 使用）
用法: python review_proposal.py --proposal <提案文件路径> --result <通过|拒绝> --reason <理由>
"""

import argparse
import os
import shutil
from datetime import datetime

def main():
    parser = argparse.ArgumentParser(description='审查知识提案')
    parser.add_argument('--proposal', required=True, help='提案文件路径')
    parser.add_argument('--result', required=True, choices=['通过', '拒绝'], help='审查结果')
    parser.add_argument('--reason', required=True, help='审查理由')
    parser.add_argument('--target', help='写入目标文件（通过时必填）')
    args = parser.parse_args()

    with open(args.proposal, 'r', encoding='utf-8') as f:
        content = f.read()

    # 填写审查意见
    review_section = f"""## Curator 审查意见

审查时间: {datetime.now().strftime('%Y-%m-%d %H:%M:%S')}
审查结果: {args.result}
理由: {args.reason}
写入位置: {args.target if args.target else 'N/A'}
"""
    content = content.replace('## Curator 审查意见\n\n审查时间: \n审查结果: \n理由: \n写入位置: ', review_section)

    with open(args.proposal, 'w', encoding=)  f:
        f.write(content)

    
    archived_dir = 
    os.makedirs(archived_dir, exist_ok=)
    archived_path = os.path.join(archived_dir, os.path.basename(args.proposal))
    shutil.move(args.proposal, archived_path)

    ()
    ()

     args.result == :
        ()
        ()

 __name__ == :
    main()

scripts/apply_update.py

#!/usr/bin/env python3
"""
写入知识更新并通知用户
用法: python apply_update.py --target <目标文件> --content <内容> --proposal-id <提案ID> --agent <来源角色>
"""

import argparse
from datetime import datetime

def main():
    parser = argparse.ArgumentParser(description='应用知识更新')
    parser.add_argument('--target', required=True, help='目标文件路径')
    parser.add_argument('--content-file', required=True, help='要写入的内容文件')
    parser.add_argument('--proposal-id', required=True, help='提案ID')
    parser.add_argument('--agent', required=True, help='来源角色')
    parser.add_argument('--summary', required=True, help='一句话内容摘要')
    args = parser.parse_args()

    with open(args.content_file, 'r', encoding='utf-8') as f:
        new_content = f.read()

    marker = f"\n\n---\n<!-- 来源: {args.proposal_id} | 时间: {datetime.now().strftime('%Y-%m-%d')} | 来源Agent: {args.agent} -->\n{new_content}\n"

    with open(args.target, 'a', encoding='utf-8') as f:
        f.write(marker)

    print("✅ 知识已更新")
    ( * )
    ()
    ()
    ()
    ( * )
    ()

 __name__ == :
    main()

---

使用示例

Agent 提交提案（手动方式）

# 1. 编写提案内容到临时文件
echo "新增：客户技术方案必须包含成本估算章节" > /tmp/proposal_content.md

# 2. 提交提案
python skills/knowledge-update/scripts/submit_proposal.py \
  --agent cto \
  --topic 客户技术方案模板 \
  --content /tmp/proposal_content.md \
  --level 专属 \
  --target memory/agents/cto/learnings.md

Knowledge Curator 审查提案

python skills/knowledge-update/scripts/review_proposal.py \
  --proposal memory/proposals/20240115-143200_cto_客户技术方案模板.md \
  --result 通过 \
  --reason "CTO 角色高频场景，有明确复用价值" \
  --target memory/agents/cto/learnings.md