SSkilltecabyclaudinhocode
Enviar skill
← Voltar para o catálogo

llm-wiki-academic

Outros

学术工程文献知识库系统（基于 Karpathy llm-wiki 方法论）。专为电气、机械、船舶、振动等工科领域设计。 **只接收两类素材**：学术文献 Markdown 和研究笔记 Markdown。 自动提取核心概念、研究方法、关键发现，构建支持文献综述和方法对比的结构化 wiki。 触发条件：用户明确提到"知识库"、"wiki"、"消化文献"、"文献综述"，或要求对已初始化的知识库执行 查询、健康检查等操作。

0estrelas
Ver no GitHub ↗Autor: CharlesZ-bit
#llm#ai#markdown

llm-wiki-academic-engineering

学术文献 → 结构化知识库。你只需要提供文献，AI 自动整理、关联、生成综述。

这个 skill 做什么

llm-wiki 帮你构建一个持续增长的学术文献知识库。专为传统工科领域（电气、机械、船舶、振动等）设计：

  • 只接收学术文献 Markdown 和研究笔记 Markdown（其他格式会提示不支持）
  • AI 提取核心概念、研究方法、关键发现，整理成互相链接的 wiki 页面
  • 支持文献综述、方法对比、研究路线图（Mermaid）
  • 知识库随着每次使用变得越来越丰富，而不是每次重新开始
  • 所有内容都是本地 markdown 文件，用 Obsidian 或任何编辑器都能查看

重要限制

只接收以下两类素材进入知识库：

  1. 学术文献 Markdown - 放在 raw/literature/ 目录
  2. 研究笔记 Markdown - 放在 raw/notes/ 目录

不支持的素材类型（会拒绝处理）：

  • 网页链接 / URL
  • 微信公众号文章
  • 社交媒体内容（Twitter/X、小红书等）
  • YouTube 视频
  • 其他非 Markdown 格式

如果用户提供了不支持的素材类型，明确告知并提供替代方案。

核心理念

传统方式（RAG/聊天记录）的问题：每次问问题，AI 都要从头阅读原始文件，没有积累。知识库的价值在于知识被编译一次，然后持续维护，而不是每次重新推导。

快速开始

告诉用户这两步就够了：

  1. 初始化：说"帮我初始化一个知识库"
  2. 添加素材：给一个链接或文件，说"帮我消化这篇"

Script Directory

Scripts located in scripts/ subdirectory.

Path Resolution:

  1. SKILL_DIR = this SKILL.md's directory
  2. Script path = ${SKILL_DIR}/scripts/<script-name>

工作流路由

根据用户的意图，路由到对应的工作流：

用户意图关键词工作流
"初始化知识库"、"新建 wiki"、"创建知识库"→ init
文件路径（.md）/ "消化"、"整理"→ ingest
"批量消化"、"把这些都整理" / 文件夹路径→ batch-ingest
"关于 XX"、"查询"、"XX 是什么"→ query
"综述 XX"、"对比一下 X 和 Y"、"文献综述"→ digest
"检查知识库"、"健康检查"、"lint"→ lint
"知识库状态"、"现在有什么"、"有多少文献"→ status
"删除文献"、"remove"、"删除"→ delete

重要：

  • 如果用户直接给了一个 Markdown 文件路径，默认走 ingest
  • 如果知识库还不存在，先自动走 init 再走 ingest
  • 非 Markdown 文件会被拒绝，提示用户转换为 Markdown

通用前置检查

除 init 外，其他工作流默认先执行这段检查：

  1. 先检查当前工作目录是否包含 .wiki-schema.md
    • 如果包含 → 用当前目录作为知识库根路径
    • 如果不包含 → 回退到读取 ~/.llm-wiki-path
  2. 如果两者都没有：
    • ingest / batch-ingest → 先运行 init
    • query / lint / status / digest / delete → 提示用户先初始化知识库
  3. 读取知识库根目录下的 .wiki-schema.md

工作流 1：init（初始化知识库）

前置检查（含多知识库 CWD 检查）

  1. 先检查当前工作目录是否包含 .wiki-schema.md
    • 如果包含 → 当前目录已经是一个知识库，提示用户已存在并询问是否要重新初始化
  2. 如果当前目录没有 → 读取 ~/.llm-wiki-path 文件
    • 如果存在 → 提示用户已有一个知识库（显示路径），询问是要新建还是切换到那个
  3. 两个都没有 → 进入初始化流程

交互式问答引导

初始化时，必须通过对话引导用户完成以下信息收集（不能直接用模板占位内容）：

问题 1：知识库主题

"你的知识库要围绕什么主题？比如'船舶振动控制研究'、'机械系统动力学'、'电机振动分析'"

  • 如果用户没想法，默认用"学术文献知识库"
  • 记录用户回答作为后续分析的指导方向

问题 2：研究领域

"你主要研究哪个具体领域？"

  • 可选方向示例：
    • 船舶推进系统振动与控制
    • 电磁-结构耦合动力学
    • 有限元模态分析与实验验证
    • 机械系统动力学建模
    • 电气设备振动与噪声
    • 其他（用户自定义）
  • 记录用户选择，作为 topic 分类的基准

问题 3：是否有确定的研究内容/方案

"你目前是否有确定的研究问题或方案？"

  • 如果有：
    • "请描述一下你的研究问题和目标"
    • "你打算用什么方法/技术路线？"
    • "有没有初步的假设或预期结论？"
  • 如果没有：
    • "你是想先积累文献，了解领域现状？"
    • "有没有特别想探索的方向或空白领域？"
  • 记录用户回答，用于后续文献取舍的优先级判断

问题 4：整理原则（可选）

"你希望知识库在整理时遵循什么原则？"（可多选）

  • 优先提取可重复的实验方法和验证数据
  • 关注理论与方法的演进历史
  • 重视工程应用和实践案例
  • 追踪最新研究进展
  • 其他（用户自定义）
  • 这些原则会影响后续 ingest 时实体和关联的取舍

步骤

  1. 收集用户信息（通过上述问答）

  2. 询问保存位置（先向用户提问）：

    • 默认：~/Documents/我的学术知识库/
    • 用户可以自定义路径

  3. 生成个性化 purpose.md：

    根据问答结果，用模板 templates/purpose-template.md 生成文件，但必须：

    • 将"核心目标"替换为用户的实际研究方向
    • 将"关键问题"替换为用户的具体研究问题（或"探索领域现状"）
    • 将"研究范围"限制在用户选择的领域
    • 将"整理原则"替换为用户选择的优先级

    生成后的 purpose.md 示例结构：

    # 研究目的与方向

## 核心目标
[用户的具体研究目标]

## 关键问题
1. [用户的具体研究问题]
2. [如果无确定问题：领域现状探索]

## 研究范围
**涵盖：**
- [用户选择的领域]

**不涵盖：**
- [根据用户选择排除的领域]

## 整理原则
- [用户选择的优先级]

  4. 运行初始化脚本：

    bash ${SKILL_DIR}/scripts/init-wiki.sh "<路径>" "<主题>"

    注意：init-wiki.sh 生成的是基础结构，个性化 purpose.md 由 AI 在此步骤后生成并覆盖

  5. 生成并写入个性化 purpose.md：

    • 将问答结果编译成完整的 purpose.md
    • 写入 <知识库路径>/purpose.md

  6. 记录路径到 ~/.llm-wiki-path：

    echo "<路径>" > ~/.llm-wiki-path

  7. 输出引导：

    知识库已创建！路径：<路径>

研究方向：<用户选择的研究领域>
核心问题：<用户的研究问题或探索目标>

接下来你可以：
- 给我一个本地 Markdown 文献路径，我会消化并整理
- 批量消化：给我一个文件夹路径，我会逐个处理
- 查询知识库：问我关于已有文献的问题
- 生成综述：让我综合多篇文献写综述报告

推荐：用 Obsidian 打开这个文件夹，可以实时看到知识库的构建效果。

工作流 2：ingest（消化文献）

这是最核心的工作流。用户给一个 Markdown 文献进来，AI 做所有的整理工作。

前置检查

执行通用前置检查（见上方定义）。

素材类型验证（必须执行）

  1. 检查文件扩展名：

    • .md → 继续
    • 其他扩展名 → 拒绝处理，提示用户转换为 Markdown

  2. 检查文件内容类型：

    • 优先路由到 local_literature（学术文献）
    • 次路由到 local_notes（研究笔记）
    • 其他内容 → 拒绝处理，提示"知识库只接收学术文献 Markdown 和研究笔记 Markdown"

  3. 检查 source-registry.tsv 确认文件类型：

    bash ${SKILL_DIR}/scripts/source-registry.sh match-file "<文件路径>"

隐私自查提示（首次进入 ingest 必须执行）

在开始提取或分析任何内容之前，AI 必须先对用户说下面这句话，然后等待确认：

在开始分析这份素材前，请先快速确认里面不包含这些敏感内容：

  • 手机号码（如 138xxxxxxxx）
  • 身份证号（18 位数字）
  • API 密钥（sk-...、AIzaSy...、OPENAI_API_KEY=、ANTHROPIC_API_KEY=、Bearer ...）
  • 明文密码（password=、passwd=）
  • 其他你不希望进入知识库的个人信息

如果素材里有上面任何一项，请先用文本编辑器删除或脱敏后再继续。 llm-wiki 不会自动过滤这些内容，处理后的内容会进入你的知识库。

确认无上述内容请回复 y，要中止请回复 n。

流程规则：

  • 用户回复 y（或"可以"、"继续"、"没有"等明确肯定）→ 继续执行后续步骤
  • 用户回复 n（或"停"、"取消"等明确否定）→ 终止本次 ingest，提示用户清理后再来
  • 其他不明确的回复 → 再问一次，最多两次；两次都不是明确 y/n 则终止
  • 绕过规则：如果用户在当前对话里已经明确说过"素材里没有敏感信息，直接开始"， 或者用户是在 batch-ingest 流程中（已经在顶层确认过一次），AI 可以跳过这一步

为什么是自查清单而不是脚本：

  • 正则在非结构化文本（聊天记录、笔记）里误报率很高，错过真的敏感词，误报无害的普通词
  • 把判断权还给用户，比让脚本决定更可靠
  • 对新手更友好，不会遇到看不懂的脚本报错

素材提取

直接读取本地 Markdown 文件：

  • 检查 source-registry.sh 确认文件类型
  • 直接读取文件内容

内容分级处理

根据素材长度和信息密度自动选择处理级别：

判断标准：

  • 素材内容 > 1000 字 → 完整处理
  • 素材内容 <= 1000 字（短推文、小红书笔记等）→ 简化处理

完整处理流程（长素材 > 1000 字）

  1. 提取素材内容：直接读取本地 Markdown 文件

  2. 保存原始素材到 raw/literature/ 目录：

    • 文件名格式：{日期}-{短标题}.md
    • 在文件头部记录文献基本信息（标题、作者、年份等）

  3. 读取上下文：

    • 优先顺序：purpose.md > .wiki-schema.md > index.md
    • 如果 purpose.md 存在，先读取其中的核心目标、关键问题和研究范围
    • 用 purpose.md 指导后续实体、主题、关联的取舍和权重

  4. 缓存检查：

    • 在进入 LLM 处理前，先运行： 
      bash ${SKILL_DIR}/scripts/cache.sh check “<raw 文件路径>”
    • 如果返回 HIT 或 HIT(repaired) → 跳过本次 LLM 调用，直接读取已有 wiki 页面，并告诉用户这是”无变化，直接复用已有结果”
      • HIT(repaired) 表示缓存自愈修复成功（上次 update 被跳过但 source 页面存在）
    • 如果返回 MISS:<reason> → 继续执行下面的两步流程
      • MISS:no_entry — 首次处理此素材（正常情况）
      • MISS:hash_changed — 素材内容有变化，需要重新处理
      • MISS:no_source — 有缓存记录但 source 页面被删除了

  5. Step 1：结构化分析：

    • 输入：原始内容 + purpose.md + 现有 wiki 结构（至少读取 index.md 概要）
    • 输出：JSON 格式的分析结果，不持久化，只在当前 ingest 流程里临时传递
    • JSON 至少包含 entities、topics、connections
    • confidence 是必需字段，缺失就视为格式异常并触发单步回退
    {
  "source_summary": "一句话概括",
  "entities": [{"name": "xxx", "type": "concept", "relevance": "high", "confidence": "EXTRACTED"}],
  "topics": [{"name": "xxx", "importance": "high"}],
  "connections": [{"from": "A", "to": "B", "type": "因果", "confidence": "INFERRED"}],
  "contradictions": [{"claim_a": "...", "claim_b": "...", "context": "..."}],
  "new_vs_existing": {"new_entities": [], "updates": []}
}

    置信度赋值规则（Claude 必须遵守）：

    • EXTRACTED：信息直接出现在原文里，字面可以找到
    • INFERRED：信息是从多处原文推断出来的，原文没有直接说
    • AMBIGUOUS：原文说法不清楚，或者有歧义
    • UNVERIFIED：信息来自 Claude 的背景知识，原文没有证据

    Step 1 完成后，必须执行验证：

    1. mkdir -p {wiki_root}/.wiki-tmp
    2. 将 Step 1 JSON 写入 {wiki_root}/.wiki-tmp/step1-latest.json
    3. 调用 bash ${SKILL_DIR}/scripts/validate-step1.sh {wiki_root}/.wiki-tmp/step1-latest.json
    4. 验证完成后删除 {wiki_root}/.wiki-tmp/step1-latest.json

    如果脚本返回非 0，自动回退到单步 ingest（不进行 Step 2）。

  6. Step 2：页面生成：

    • 输入：原始内容 + purpose.md + Step 1 的分析结果 + 现有相关 wiki 页面
    • 输出：所有需要创建或更新的 wiki 页面内容
    • Step 2 负责完成原流程中的素材摘要、实体页、主题页、index、log 更新

  7. 容错回退：

    • 如果 Step 1 不是有效 JSON，或者缺少 entities、topics、confidence 等必需字段，自动回退到原来的单步流程
    • 回退时，所有本次新生成内容统一加上： 
      <!-- confidence: UNVERIFIED -->
    • 同时在页面顶部加注释说明本次处理因格式问题降级，避免出现“部分标注、部分没标注”的状态

  8. 生成分类路由：

    • 如果素材类型是 local_literature（学术文献 Markdown）→ 走学术文献专用摄取流程（见下文）
    • 其他素材类型继续走标准流程

  9. 生成素材摘要页（wiki/literature/{日期}-{短标题}.md）：

    • 参考 templates/literature-template.md 的格式
    • 包含：基本信息、核心观点、关键概念、与其他素材的关联、原文精彩摘录
    • 对 Step 1 中标记为 INFERRED 或 AMBIGUOUS 的关系，用 HTML 注释保留置信度： 
      <!-- confidence: INFERRED -->
<!-- confidence: AMBIGUOUS -->
    • frontmatter 必须包含 source_path：
      • 值为原始素材文件的相对路径（相对于知识库根目录），如 raw/literature/2026-04-17-shaft-vibration.md

Como adicionar

/plugin marketplace add CharlesZ-bit/llm-wiki-academic-engineering

O comando exato pode variar conforme o repositório. Confira o README no GitHub.

Comentários · Nenhum comentário

Entre para comentar. Entrar

  • Ainda não há comentários. Seja o primeiro.