agentleFS
grasscaograssgrasscaograss/AwesomeWeldoneSkills/archive-import/SKILL.md

archive-import

Skill2 starsChanged 6 months agoApache-2.0View on GitHub

Import external documents into the project archive. Two modes: → records (format conversion with TL;DR) for specs and reports, or → knowledge (multi-agent parallel organization with dedup/merge) for technical references and wiki dumps. Use when user wants to import external docs, zread output, spec documents, or reference materials into the archive.

The file

Files
SKILL.md

Archive Import — 文档导入

Quick start

/archive-import docs/specs/ → records       ← spec 文档 → records
/archive-import .zread/wiki/ → knowledge    ← wiki 输出 → 知识库

第一个参数:源文档路径(文件或目录)。第二个参数:目标模式(records 或 knowledge)。

两种模式

目标处理方式适用场景
→ records格式转换:添加 TL;DR,套用模板,保留内容Spec 文档、会议记录、外部报告、一次性文档
→ knowledge深度整理:重叠分析、领域分组、并行 agent 读写、合并/拆分技术参考资料、wiki 导出、可复用领域知识

Records 模式

处理每份文档

  1. 读取源文档
  2. 提取:标题、日期(来自文件名或内容)、要点
  3. 生成 TL;DR 行和关键词标签
  4. 套用标准 record 模板(参见 /archive-session 的模板)
  5. 写入 archive/records/YYYY-MM-DD-<slug>.md

更新 INDEX.md

在 archive/INDEX.md 的 ## Records 下添加每条导入记录,附关键词标签。每行不超过 150 字符。


Knowledge 模式

Knowledge 模式采用三步工作流:分析设计 → 并行写入 → 验证更新。 核心区别在于使用 TaskCreate 为每个领域启动独立 Agent 并行执行,而非串行处理。

领域文件夹参考

archive/knowledge/
├── dual-arm/          ← 双臂系统
├── weld-template/     ← 焊接模板
├── weld-seam/         ← 焊缝规划
├── coarse-positioning/ ← 粗定位
├── scanning/          ← 精定位与扫描
├── capacity/          ← 产能统计
├── weld-tracking/     ← 焊接跟踪
├── coordinate/        ← 坐标与矩阵
├── workflow/          ← 状态机与工作流
├── frontend/          ← 前端界面
├── device-robot/      ← 设备与机器人
├── tools/             ← 工具与其他

第一步:分析源文档,设计领域结构

  1. 读取所有源文档 — 用 Glob 找到所有文件,逐个 Read
  2. 提取关键概念、事实、规则、模式 — 从每份文档中抽取出独立的知识单元
  3. 与现有知识对比重叠 — Read archive/knowledge/ 下所有现有文件,标记:
    • new:全新知识,无重叠
    • merge:与现有文件有重叠,需要合并
    • skip:已被现有文件完全覆盖
  4. 按领域分组 — 将知识单元归入上述领域文件夹,确定每个文件的:
    • 源文件归属(哪些源文档的内容合并到此文件)
    • 与现有知识文件的合并关系
  5. 向用户展示结构方案 — 输出分组表,等待用户确认:
| 领域文件夹 | 新文件 | 合并到已有文件 | 跳过 |
|-----------|--------|--------------|------|
| dual-arm/ | arc-safety.md | pipeline.md (追加§3) | — |
| scanning/ | laser-calib.md | — | vision.md 已覆盖 |

用户确认后进入第二步。

第二步:创建目录,并行启动 Agent

  1. 创建目标文件夹(如尚未存在)
  2. 为每个领域文件夹启动一个独立 Agent(通过 TaskCreate),每个 agent 接收以下信息:

    • 领域名称和文件夹路径(如 archive/knowledge/dual-arm/)
    • 要读取的源文件列表(绝对路径)
    • 已有知识文件的迁移需求(如需合并,列出目标文件和合并策略)
    • 知识文件格式规范(见下方)
    • 合并/拆分指导原则

    Agent 的职责:

    • 读取该领域下所有源文档
    • 按主题合并/拆分为 1-N 个知识文件
    • 每个文件严格使用标准知识文件格式
    • 用 Write 工具写入目标文件夹
  3. 所有 agent 并行执行 — 不等待前一个完成再启动下一个

Agent 提示词模板

为每个 agent 提供的完整指令结构:

你是知识库整理 agent。请完成以下任务:

## 领域
- 名称:<领域名称>
- 目标路径:<绝对路径,如 C:\...\archive\knowledge\dual-arm\>

## 源文件
请读取以下文件并提取知识:
- <文件1绝对路径>
- <文件2绝对路径>

## 迁移需求
- <文件名> 需合并到已有 <existing-file.md> 的 <章节>
- <文件名> 是全新知识,创建新文件

## 知识文件格式
严格使用以下格式(含 frontmatter):

---
name: kebab-case-slug
description: 一句话摘要
metadata:
  type: knowledge
---

# 标题

`关键词1` `关键词2` — 一句话总结

## 背景 / 问题
<为什么需要这个知识,解决什么问题>

## 核心设计
<架构、数据结构、关键算法、核心接口>

## 关键规则
<约束、不变量、边界条件、注意事项>

## 交叉引用
- 相关知识文件路径
- 相关 record 路径
- 相关源码路径

## 合并/拆分原则
- 一份源文档可拆分为多个知识文件(按主题)
- 多份源文档可合并为一个知识文件(按主题聚合)
- 优先按主题内聚,而非按来源文件
- 每个文件聚焦一个主题,避免超过 300 行
- 合并已有文件时保留原有结构,在末尾追加新章节或在对应章节补充内容

第三步:验证和更新索引

  1. 确认所有文件已生成 — Glob 检查目标文件夹,对比第一步的计划
  2. 更新 archive/INDEX.md 的 ## Knowledge 段 — 按领域分组列出所有知识文件,格式:
    ### <领域>/ — <中文名>(N 文件)
    - [slug](knowledge/<领域>/slug.md) — 一句话摘要
  3. 清理迁移的旧文件 — 如果源文档是从项目内其他位置导入的,询问用户是否删除原文件
  4. 检查新术语 — 扫描新生成的知识文件,提取可能需要加入 archive/CONTEXT.md 的术语:
    • 列出候选术语和定义
    • 请用户确认
    • 按 archive/CONTEXT.md 现有格式写入(术语名、定义、_Avoid_ 提示)

知识文件格式(规范)

---
name: kebab-case-slug
description: 一句话摘要
metadata:
  type: knowledge
---

# 标题

`关键词1` `关键词2` — 一句话总结

## 背景 / 问题

## 核心设计

## 关键规则

## 交叉引用

格式要点:

  • frontmatter 必须包含 name、description、metadata.type: knowledge
  • 标题后紧跟关键词标签行(反引号包裹)和一句话总结
  • 四个标准章节:背景/问题、核心设计、关键规则、交叉引用
  • 交叉引用列出相关的知识文件、record 和源码路径
  • 文件名使用 kebab-case,与 frontmatter name 一致

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.