锻知·ForgeWise

解决什么工程问题

处理非结构化长文本时，LLM 往往受限于上下文窗口，导致长篇书籍或超长文档在拆解时容易出现信息丢失、逻辑断层或“幻觉”。将一本 50 万字的技术书或理论著作直接丢给模型，得到的结果通常是一盘散沙。

@user_525a1b37/forge-wise 试图用工程化的方式解决这个问题：它不只是做摘要，而是把书“蒸馏”成一个标准化的、AI Agent 可以调用的技能包（Skill Package）。整个流程更接近一个严谨的编译过程，而非一次简单的对话。

核心机制与工作流

1. 分治与断点续传
针对超大规模文本，技能引入了 progress.json 作为状态机核心。它将文档切分为 S/M/L/XL 四个规模等级，并采用逐章处理的策略。如果处理过程中断，下次启动时会根据 progress.json 的状态（pending、done、failed）精准跳过已完成部分。这意味着你可以放心地把一个可能需要跑几个小时的任务交给它。

2. RIA 结构化萃取
这是该技能的核心产出逻辑。它不依赖模型的“记忆”，而是严格基于文本提取：

• R (Reading)：原句摘录，禁止改写，保留原文锚点。
• I (Interpretation)：对原文的归纳，但字数严格限制（<150字）。
• A1 (Application)：基于书中内容引申的占位提问，而非虚构的用户体验。
• A2 (Action)：可执行的具体行动项。

3. 类型感知的拆解策略
它能识别书籍类型（如实操方法、理论学术、叙事传记、手册参考、哲学经典等），并动态调整拆解侧重点。例如，处理手册类书籍时，它不会愚蠢地逐章深挖，而是优先生成全书索引和速查表；处理哲学经典时，则强调原文锚定和概念体系构建，严防过度解读。

4. 协同与多模态输出
除了生成标准的 Markdown 结构，它还能对接 IronScribe 工具，将产出转化为 Obsidian 知识库节点。对于极大规模（>300万字）的文档，它支持输出 RAG 索引结构（chunks），方便外部检索工具消费。

适用边界与注意点

输出不是免费的
技能默认只展示预览，用户必须明确确认后才会生成文件。这种“阻塞式”设计是为了防止在不必要时产生冗余的磁盘垃圾。

依赖安装的严格性
它对 PDF 解析库（pymupdf）有严格的版本锁定和 SHA256 校验要求。如果你在离线环境或无法访问官方 PyPI 源的网络下运行，需要手动配置依赖环境。

扫描版 PDF 是死胡同
它具备检测无文本层（扫描版）的能力，但不做内置 OCR。如果你上传的是图片版 PDF，它会直接阻断并提示你需要先进行 OCR 预处理。

关于“分块”的真相
所谓的并行分块处理，在当前 LLM 对话机制下实际上是指“串行处理 + 状态持久化”。不要期望它能像多线程程序那样瞬间处理完一本巨著，它依然受限于逐块处理的耗时。