agentleFS
matvej-melikhovmatvej-melikhov/karpathy-llm-wiki/.claude/skills/query/SKILL.md

query

Skill2 starsChanged 6 months agoMITView on GitHub

Ответ на вопросы СТРОГО из wiki-vault (cache → index → релевантные страницы → синтез с цитатами). Используется только при явных wiki-сигналах в запросе: пользователь хочет именно содержимое своей базы, а не ответ из общего знания. Если триггеров нет — отдай нейтральный вопрос в /study. Триггеры: /query, /query quick:, /query deep:, 'что у меня в базе про', 'что в моей wiki про', 'найди в wiki', 'по моей базе', 'по vault', 'из моей базы'.

39 other projects use a version of this.

Adopted by

Most recently taken up by

Used with

Projects with it also use attach-db, install-duckdb and 7 more.

Other files people use alongside this one.

Files found in the same public projects as a version of this one, more often than they turn up anywhere else. Each project counts once, large collections count for less, and this file's own repository is left out.
  • duckdbSkill

    attach-db

    Attach a DuckDB database file for use with /duckdb-skills:query. Explores the schema (tables, columns, row counts) and writes a SQL state file so subsequent queries can restore this session automatically via duckdb -init.

    Also in 3 projects that use this

  • carlopiSkill

    install-duckdb

    Install or update DuckDB extensions. Each argument is either a plain extension name (installs from core) or name@repo (e.g. magic@community). Pass --update to update extensions instead of installing.

    Also in 3 projects that use this

  • carlopiSkill

    read-file

    Read and explore any data file (CSV, JSON, Parquet, Avro, Excel, spatial, …) by filename only — resolves the path automatically. Uses DuckDB + the magic extension for format auto-detection. Installs magic if needed.

    Also in 4 projects that use this

  • BugRogerSkill

    project

    Project lifecycle management. Dispatches to Ada.

    Also in 3 projects that use this

  • AnthropicSkill

    start

    Set up your bio-research environment and explore available tools. Use when first getting oriented with the plugin, checking which literature, drug-discovery, or visualization MCP servers are connected, or surveying available analysis skills before starting a new project.

    Also in 4 projects that use this

  • MicrosoftSkill

    doctor

    Diagnose an Amplifier CLI environment through the CLI doctor agent. USE WHEN a user requests CLI runtime, settings or missing-capability inspection. DO NOT USE for project bugs or other hosts.

    Also in 3 projects that use this

The file

Files
SKILL.md

query: запросы к wiki

Wiki уже выполнила работу синтеза. Читай стратегически, отвечай точно, файлируй хорошие ответы обратно — и знание накапливается.


Команда и флаги

КомандаРежимЧто читаетТокеновДля чего
/query --quick [вопрос]Quickcache.md + index.md~1500Фактические вопросы, "что такое X"
/query [вопрос]Standardcache + index + (опц. domain) + 3-5 страниц~3000Большинство вопросов
/query --deep [вопрос]Deepвся wiki + опционально web~8000+Сравнения, синтез, "расскажи всё про X"

Иерархия чтения

Каждый режим следует общему принципу: читать в порядке от дешёвого/широкого к дорогому/узкому, останавливаться как только ответ собран.

1. cache.md          ~500 токенов   недавний контекст
   ↓ если мало
2. index.md          ~1000 токенов  таблицы (страница + саммари)
   ↓ если вопрос попал в конкретную область
3. domains/<X>.md    ~500 токенов   локальный индекс области (MOC)
   ↓ если ясны конкретные страницы
4. отдельные страницы 100-300 токенов  только релевантные по саммари

domains/<X>.md — локальный индекс: содержит ключевые концепции области, таблицу всех страниц домена (через Bases-запрос), краткое описание. Если вопрос явно лежит внутри одного домена (например, спросили про PPO — это domains/Reinforcement Learning.md), читай domain напрямую вместо построчного сканирования главного index.

Признаки, что нужно идти через domain:

  • вопрос содержит термин, который явно принадлежит одной области
  • index показывает много страниц с одним и тем же domain в frontmatter
  • пользователь спрашивает "что у нас есть про <область>"

Hybrid query (большая wiki)

При росте wiki выше определённого порога чтение index.md целиком становится дорого по токенам. Hybrid-режим использует embeddings как pre-filter: вместо полного сканирования index'а — найти top-K семантически близких страниц для данного вопроса и читать только их.

Когда переключаться на hybrid:

wc -w wiki/index.md
  • < 10 000 слов → классический поток (cache → index → domain → страницы). Index дешёв, эмбеддинги лишний шаг.
  • ≥ 10 000 слов → hybrid: cache → embedding pre-filter → конкретные страницы.

Hybrid workflow:

  1. Прочитать wiki/cache.md — может содержать прямой ответ.
  2. Если cache не отвечает — запустить embedding pre-filter:

    python3 bin/embed.py query "<вопрос пользователя>" -k 10

    Возвращает 10 наиболее семантически близких страниц с полным путём, similarity-score и саммари из wiki/index.md:

      +0.567  wiki/domains/Reinforcement Learning.md  — Поддомен ML: policy gradient, value-based методы, RLHF и его компоненты.
      +0.528  wiki/ideas/SFT.md  — Supervised fine-tuning на демонстрациях; первый шаг RLHF.
      +0.502  wiki/entities/InstructGPT.md  — Масштабирование RLHF на инструкциях OpenAI; PPO-ptx.
      ...

    Это отфильтрованный по семантике index — по сути отранжированное подмножество таблицы из wiki/index.md. Meta-файлы (cache, summary, log) автоматически исключены.

  3. Выбрать 3-5 страниц на основе саммари (а не score'а в одиночку). Score говорит «насколько embedder уверен в семантической близости», саммари — «правда ли это про мой вопрос». Если саммари у страницы нет — это диагностический сигнал что строки в index.md нет (missing-index-entry), но страницу всё ещё можно читать.
  4. Прочитать выбранные страницы. Если все на одну тему — возможно открыть соответствующий wiki/domains/<X>.md для контекста области.
  5. Синтезировать ответ как в обычном Standard режиме.

Если embedding-сервер недоступен (bin/embed.py query возвращает exit code 2 «embedder unavailable»):

  • Fallback на классический поток — читай index.md целиком даже при большой wiki. Hybrid — это оптимизация, не requirement.

Когда hybrid не подходит:

  • Вопрос про структуру самой wiki («сколько у меня страниц про X», «какие domains есть») — нужен index, не семантический поиск.
  • Вопрос сравнительный охватывающий несколько областей — embedding-pre-filter упустит широкий контекст. Используй --deep.

Свежесть эмбеддингов — забота Stop-hook'а в .claude/settings.json, не запроса. Скилл просто читает wiki/meta/embeddings.json через bin/embed.py query. Если эмбеддер недоступен — fallback на классический поток (см. выше).


Quick режим

Использовать когда ответ скорее всего в cache или в саммари index.

  1. Прочитай wiki/cache.md. Если он отвечает — отвечай сразу.
  2. Если нет — прочитай wiki/index.md. Сканируй таблицы саммари.
  3. Если найдено в саммари — отвечай по саммари, не открывай страниц.
  4. Если не найдено — скажи: "Нет в quick-кэше. Запустить как standard query?"

В quick-режиме не открывай отдельные wiki-страницы и не читай domain-страницы.


Standard режим

Стандартный workflow:

  1. Прочитай wiki/cache.md первым. Возможно, ответ или прямой контекст уже там.
  2. Прочитай wiki/index.md. Сканируй таблицы саммари по разделам Ideas / Entities / Domains / Questions.
  3. Если вопрос локализован в одной области — открой wiki/domains/<X>.md для локальной навигации. Это дешевле, чем читать 3-5 страниц напрямую.
  4. Прочитай конкретные страницы, отобранные по саммари из index или domain. Переходи по wikilinks на глубину 2 для ключевых сущностей. Не глубже.
  5. Синтезируй ответ в чате. Цитируй источники wikilinks: (Источник: [[Название страницы]]).
  6. Предложи зафайлировать ответ: "Этот разбор стоит сохранить. Записать как wiki/questions/название-ответа.md?"
  7. Если вопрос вскрыл пробел: "У меня недостаточно про X. Найти источник?"

Deep режим

Использовать для синтез-вопросов, сравнений, "расскажи мне всё про X".

  1. Прочитай wiki/cache.md и wiki/index.md.
  2. Прочитай все релевантные wiki/domains/<X>.md — они дают карту области с уже выделенными ключевыми концепциями.
  3. Идентифицируй все релевантные страницы (ideas, entities, questions).
  4. Прочитай каждую релевантную страницу. Никаких пропусков.
  5. Если покрытие wiki тонкое, предложи дополнить веб-поиском.
  6. Синтезируй исчерпывающий ответ с полными цитатами.
  7. Всегда файлируй результат обратно в виде wiki-страницы. Глубокие ответы слишком ценны, чтобы потерять.

Дисциплина токенов

Читай минимум необходимого:

Начни сСтоимостьКогда остановиться
cache.md~500 токеновЕсли содержит ответ
domain-страница~500 токеновЕсли вопрос полностью покрывается ключевыми концепциями домена
index.md~1000 токеновЕсли можешь идентифицировать 3-5 релевантных страниц или конкретный домен
3-5 wiki-страниц~300 токенов каждаяОбычно достаточно
10+ wiki-страницдорогоТолько для синтеза по всей wiki

Если cache отвечает — отвечай без дальнейшего чтения. Если index + саммари дают ответ — не открывай страницы.


Формат index

Мастер-индекс (wiki/index.md) — таблицы из двух колонок:

## Ideas

| Страница | Суть |
|---|---|
| [[RLHF]] | Схема: SFT → Reward Model → PPO с KL-якорем к SFT |
| [[PPO]] | Алгоритм оптимизации policy с per-step KL и clipping |

## Entities

| Страница | Суть |
|---|---|
| [[InstructGPT]] | Модель OpenAI 2022, масштабировала RLHF на GPT-3 |

## Domains

| Страница | Суть |
|---|---|
| [[Reinforcement Learning]] | Базовый RL-аппарат: policy gradient, value, advantage |

## Questions

| Страница | Суть |
|---|---|

## Minds

| Страница | Суть |
|---|---|

Саммари — одна строка ≤120 символов. Сканируй колонку "Суть" — если строка релевантна, открывай страницу. Иначе пропускай.


Локальный индекс домена

wiki/domains/<X>.md — навигационный хаб (MOC) для области знаний. Содержит:

  • Краткое описание области (1-2 абзаца)
  • Ключевые концепции — 3-5 важнейших страниц области, отобранных вручную
  • Все страницы домена — таблица через Bases-запрос (filters: domain contains "[[<X>]]")

Используй domain-страницу когда вопрос целиком попадает в одну область — это разгружает главный index. Не используй для пересекающих областей вопросов: тогда нужен главный index или несколько domain-страниц.


Файлирование ответов обратно

Хорошие ответы накапливают wiki. Не давай инсайтам исчезать в чат-истории.

Делегируй на /save — он создаст wiki/questions/<заголовок>.md из шаблона с правильным frontmatter, обновит log.md и cache.md. Заполни summary: — wiki/index.md обновится автоматически на Stop-hook'е (не пиши в index руками).


Обработка пробелов

Если на вопрос нельзя ответить из wiki:

  1. Скажи прямо: "Недостаточно в wiki, чтобы ответить хорошо."
  2. Идентифицируй конкретный пробел: "У меня ничего нет про [подтему]."
  3. Предложи: "Найти источник по этому? Помогу поискать или обработать один."
  4. Не выдумывай. Не отвечай из тренировочных данных, если вопрос про конкретный домен этой wiki.

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.