knowledge-write
Skill9 starsChanged 5 months agoMITView on GitHub
知识摄入——把用户想沉淀的内容整理成原子知识笔记写入 knowledge/。当用户说"记一下/收进知识库/整理成知识/这个以后要用/帮我存下来/把这帖记下来", 或 web-scrape、video-note 采到要入库的内容转交时,主动使用。务必在用户表达"想把某段内容留存"时触发,即使没明说"知识库"三字。 这是**唯一**往 knowledge/ 写入的通道;其它 skill 采到要入库的内容都转交这里。
In this repository7 other files it gives its agents.
- CLAUDE.mdCLAUDE.md
- call-claude-codexSkill
- knowledge-querySkill
- remindSkill
- task-manageSkill
- video-noteSkill
- web-scrapeSkill
The file
Files
knowledge-write — 知识摄入(原子化 + 四段式 + 二次确认 + kg 索引)
把零散内容(对话、网页、视频转写、文档片段)沉淀成原子知识笔记写入 knowledge/,并更新 kg 索引。
两条核心原则贯穿全程:
- 原子化:一篇笔记只讲一个足够窄的主题。主题拆得细——同一大主题多次汇入时,并进对应窄笔记或新开一篇,用
[[wikilink]]串,避免单文件无限膨胀。硬上限:单篇超出"只讲一件事"就拆分,绝不让它越长越大。 - 二次确认(硬规则):整理好先发用户确认"整理好了,是这个吗?要不要改?",确认通过才写盘。要改就改完再确认,循环到满意。批量摄入除外——先确认范围、后抽查。
流程
1. 判断主题并原子化拆分
一段输入若含多个独立知识点,拆成多篇,各自成原子笔记,互相 [[wikilink]]。
判据:这篇能否用一句话概括"只讲这一件事"?不能就再拆。
2. 查重(防膨胀关键,落盘前必做)
对每个待写主题跑语义检索,找已有的同主题笔记:
python tools/kg/kg.py search "<该主题的关键词>" --k 5解析返回的 JSON([{id,title,score,snippet,tags,source}]):
- 有命中且属同一窄主题(score 高、主题吻合)→ 读那篇、增量并入:只补真正新增的要点/原文,去重;并入后若超出"只讲一件事"就拆分成多篇。
- 是同大主题的不同侧面 → 新开一篇,
[[wikilink]]关联,别塞旧文件。 - 无命中 → 新建。
3. 组织成四段式
每篇笔记固定四块(按易读顺序),frontmatter 用系统时钟取日期(Get-Date,别猜):
---
type: knowledge
tags: [主题, 关键词]
source: 来源(URL/对话/视频链接/文档名)
created: YYYY-MM-DD
---
# 标题(这一个原子主题)
## 摘要
提炼后的核心要点(bullet,客观)。
## 参谋解读
你的视角:为什么重要、对用户/项目的启发、注意点、关联。
## 原文片段
关键原文引用 / 代码原句(可溯源,只留要紧的,别全文照搬)。
## 参考
出处链接 / 文档名 / 对话时间等。
[[关联笔记1]] [[关联笔记2]]4. 二次确认
- 单条:把整理好的笔记(含将写入的路径、新建还是并入哪篇)发用户确认;要改就改完再确认;通过才写。
- 批量:先说明"我打算摄入这 N 条、分到这些主题/目录",确认范围;写完抽几条给用户验。
5. 写入
路径 knowledge/<子目录>/YYYY-MM-DD-主题关键词.md,按主题归子目录(ai/ security/ …,没合适的就建有意义的新子目录)。命名一眼可辨主题。
6. 版本控制
写入后 PostToolUse 钩子自动 git add + commit,无需手动 commit。push 由桥接层统一做。
7. 更新 kg 索引(必做)
写完每篇后增量索引:
python tools/kg/kg.py index --file <相对 knowledge 的路径>(一次写多篇可最后跑一次 python tools/kg/kg.py index --all。)解析 stdout JSON 看 indexed 确认生效;非零退出码读 stderr 的 error 排查。
边界
- 只往
knowledge/写知识主体;临时产物归workspace/。只在本仓库范围活动。 - 拿不准主题归类/是否重复时,宁可问用户,别乱建乱并。
- kg 命令输出 UTF-8 JSON,直接解析;首次调用会拉起常驻嵌入进程(稍慢),之后很快。
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
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.

