Agent Skills
返回列表
LLM Wiki 高级循证知识管理

LLM Wiki 高级循证知识管理

知识管理 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_ceacef9a/llm-wiki-plus-ebr。

技能介绍

要解决的问题

普通 LLM 回答容易直接拼接检索片段，缺少来源、证据强度和问题路径，容易把推演、假设与知识库事实混在一起。LLM Wiki Advanced 针对本地知识库场景，要求在给出答案前完成问题分类、证据检索、权重标注和结构化输出，并维护一套可持续更新的 Wiki 知识层。

如何工作

  • 环境自适应：有 bash / Node.js 时走本地向量检索；无 shell 时降级为 wiki/cards/*.md 关键词匹配，并在回答中提示降级。
  • 知识摄入：@wiki+ ingest 解析 PDF、Word、Excel、图片、Markdown 等文档，生成 L1 摘要，更新 wiki/index.md，创建或更新 wiki/cards/ 概念卡，并在本地模式增量更新向量索引。
  • 循证推演：检索命中后进入 EBR 引擎，将问题分为定义型、因果型、预测型、评估型或知识缺口型，再按对应路径推演。
  • 证据标注：关键命题标记 🟢 确定、🟡 推演、🔴 假设；全绿时可注明均来自知识库，无命中时明确声明未收录，不编造。
  • 反馈与诊断：@wiki+ remember 在用户确认后写入新卡，check-health 扫描孤立链接、矛盾陈述和缺失引用，rebuild-index 全量重建索引。

适用边界

适合团队或个人维护概念库、文档库、研究笔记和知识库问答。云端模式不能运行脚本，索引更新与向量检索需回本地执行；若外部资料没有文档名或链接，反馈写入会被拒绝。

使用场景

  • 把多份产品说明 PDF、Word 和图片摄入本地 wiki，让后续提问能引用具体概念卡。
  • 在 Cursor 中回答客户问题前，先检索本地知识库并用证据标记区分确认、推演和假设。
  • 定期运行健康检查，发现孤立链接、矛盾陈述和缺失引用，生成待修复的 issues 清单。
  • 把用户确认的补充事实写入对应知识卡，并同步增量向量索引以便下次语义检索命中。

适合人员

  • 维护技术文档库的研发，希望把多份 PDF 和 Markdown 沉淀成可检索概念卡。
  • 做客户答疑的售前，需要在回答前引用知识库证据并标注推演和假设。
  • 整理研究笔记的知识管理专员，希望发现孤立链接、矛盾陈述和缺失引用。
  • 维护内部 Wiki 的工程师，需要把用户确认的新事实写回知识卡并更新索引。