LLM 知识库运行时

解决的问题

当资料以 raw/ 原始文件、PDF、图片、结构化数据散落在外部世界时，直接问答容易丢失出处、重复总结、页面结构逐渐劣化。这个技能面向由 LLM Knowledge Bases runtime 管理的 Vault，目标不是只回答一次，而是把每次交互沉淀成可检索、可追溯、可维护的 wiki 笔记。

工作方式

• 运行边界清晰：runtime 拥有 Vault I/O；agent 负责理解、综合、链接，并判断哪些 wiki/sources/、wiki/concepts/、wiki/entities/、wiki/syntheses/ 页面需要新增或改进。
• 统一读写工具：所有读取和写入都通过 kb_status、kb_read_raw、kb_search、kb_read_notes、kb_upsert_source_note、kb_rebuild_indexes 等 kb_* 工具完成，避免直接改 raw/、wiki/ 或 .llm-kb/representations/。
• 素材编译：文本或结构化数据走 source compile 路径；PDF 与图片走 representation-first 路径，先补齐 native_text、ocr_text、vision_notes 等上下文，再编译成 source note。
• 问答与沉淀：先 kb_search 检索，只引用已读取的 notes；一次性回答可落到 output archive，可复用知识则提升为 concept、entity 或 synthesis 页面。
• 维护闭环：用 kb_lint 发现占位标题、失效链接、manifest 漂移、missing representation 等问题，再通过 kb_repair_source_ids、kb_rebuild_indexes 做小批量修复。

适用边界

适合需要持续整理外部资料、书评、AI 主题笔记的知识库，不适合一次性自由问答。执行时应优先小批量、高置信度操作，遵守“先查证据再建页面”的规则，不要把模糊的“继续推进”扩展成大规模重写。