ljskill-knowledge

Wiki知识库构建skill，将散落的 Markdown 内容自动转化为结构化、可检索的Wiki知识库。

该知识库目前仅支持使用 Claude Code 构建，构建完成后可在 Claude Code、Codex、Cursor、Trae Solo 等任意 Agent 上使用。

支持obsidian检索查看，内置六层知识模型：

• M1-M4 元模型：从文章中提取概念、方法、规则、场景
• M5 知识卡片：每篇文章的结构化摘要
• P-index 问题索引：支持"按问题检索"的知识入口

作者：抖音· 小红书· 视频号（老雷AI洞见）；公众号（有个朋友叫雷军）；微信（xxjun9527）

如何安装

Claude Code 安装方法：

方式一：进入Claude Code，输入一行命令（推荐）

npx skills add ljskill-knowledge

方式二：进入终端直接克隆git仓库

git clone https://github.com/xxjun9527/ljskill-knowledge.git ~/.claude/skills/ljskill-knowledge

方式三：直接把这段话发给你的Claude Code

帮我安装 ljskill-knowledge。请把 https://github.com/xxjun9527/ljskill-knowledge.git 克隆到 ~/.claude/skills/ljskill-knowledge,安装完成后检查 SKILL.md、assets/、references/ 是否存在。

如何更新

已经安装过的话，用这段话更新：

帮我更新 ljskill-knowledge，请进入 ~/.claude/skills/ljskill-knowledge 执行 git pull, 然后告诉我当前最新 commit。

如何使用

安装后在你的文件夹中新建raw目录，然后将要处理的内容复制过去，最后对 Claude 说：

首次构建

Claude 会自动引导你完成整个流程。

帮我用 ljskill-knowledge 构建知识库，Markdown 文件在 ./raw 目录

新增文章

Claude 会自动检测新增内容并更新。

我有新文章了，帮我更新

效果

输入：

raw/
├── MVP验证.md
├── 深度工作.md
├── 内容钩子.md
└── ...

输出：

wiki/
├── index.md                    # MOC 主入口
├── knowledge-graph.md          # Mermaid 知识图谱
├── M1-概念/                    # 31 个核心概念
├── M2-方法/                    # 20 个方法流程
├── M3-规则/                    # 44 条原则规律
├── M4-场景/                    # 适用场景
├── M5-卡片/                    # 知识卡片
├── P-索引/                     # 47 个问题索引
├── 知识卡片/                   # YAML 卡片数据
└── 领域/                       # 领域索引页

用 Obsidian 打开 wiki/ 目录即可使用：

• 双向链接自动关联
• Mermaid 图谱可视化
• 按领域/问题/层级多维度浏览

功能特性

• 🧠 六层知识模型：M1-M4 元模型 + M5 卡片 + P-index 问题索引
• 📊 知识图谱构建：节点关系图，连通率 90%+
• 🏷️ 领域自动发现：智能识别内容领域，生成索引页
• 🔗 Obsidian 兼容：双向链接、Mermaid 图谱、颜色分组
• ⚡ 一键流水线：run_pipeline.py 全流程自动化
• 🔄 增量更新：支持增量更新，包括知识图谱的增量构建
• ✅ 质量验证：自动检测缺失字段、格式问题

六层知识模型

| 层级 | 名称 | 回答的问题 | 示例 | |------|------|-----------|------| | M1 | 概念 | 这是什么？ | "MVP：最小可行产品，用最小功能集验证核心假设" | | M2 | 方法 | 怎么做？ | "验证想法 → 最小成本测试 → 检查市场反应" | | M3 | 规则 | 什么规律？ | "控制风险而非追逐风险——创业追求非对称交易" | | M4 | 场景 | 什么时候用？ | "适用：创业初期、资金有限" | | M5 | 卡片 | 文章摘要 | 结构化知识卡片，含领域分类和质量评分 | | P-index | 问题索引 | 能回答什么？ | "如何验证一个创业想法？" |

适合 / 不适合

✅ 适合：个人知识管理 / 第二大脑构建 / 文章笔记整理 / 主题研究归档

❌ 不适合：结构化程度很高的文档（如 API 文档）/ 需要实时协作的场景

环境要求

| 依赖 | 版本 | 安装方式 | |------|------|---------| | Python | 3.8+ | 系统自带或 pyenv | | PyYAML | - | pip3 install pyyaml | | Claude CLI | - | npm install -g @anthropic-ai/claude-cli |

高级用法（可选）

以下内容面向有技术基础的用户，普通用户可直接忽略。

常见命令

| 任务 | 命令 | |------|------| | 首次构建知识库 | python3 scripts/run_pipeline.py --config config.yaml | | 增量更新（只处理新文章） | python3 scripts/run_pipeline.py --resume --config config.yaml | | 从指定步骤继续 | python3 scripts/run_pipeline.py --step 5 --config config.yaml | | 预览不执行 | python3 scripts/run_pipeline.py --dry-run --config config.yaml | | 质量验证 | python3 scripts/validate_quality.py --config config.yaml |

增量更新

首次构建完成后，后续添加新文章时使用增量更新，只处理新增内容，速度更快：

# 使用流水线
python3 scripts/run_pipeline.py --resume --config config.yaml

# 分步执行
python3 scripts/scan_corpus.py --incremental --config config.yaml
python3 scripts/extract_m1m4.py --round 1 --incremental --config config.yaml
python3 scripts/extract_m1m4.py --direct --config config.yaml
python3 scripts/generate_cards.py --incremental --config config.yaml
python3 scripts/generate_p_index.py --incremental --config config.yaml
python3 scripts/generate_knowledge_graph.py --incremental --config config.yaml

增量原理：首次运行保存状态文件（wiki/_meta/graph-state.yaml），后续基于文件哈希对比，只处理新增或修改的节点。

强制全量重建

python3 scripts/generate_knowledge_graph.py --incremental --full --config config.yaml

使用流程

Skill 是结构化工作流，Agent 会逐步引导：

1. 审计素材 — 检查文件数量、字数分布、空文件比例
2. 扫描语料 — 生成 corpus-manifest.yaml
3. 提取 M1-M4 — 从文章中提取概念、方法、规则、场景
4. 生成知识卡片 — 每篇文章一张结构化卡片
5. 构建问题索引 — 提取用户可能提出的问题
6. 生成知识图谱 — 构建节点关系图
7. 添加双向链接 — wiki-link 关联
8. 生成领域页面 — 按主题聚合
9. 质量验证 — 检查完整性和格式

详细说明见 SKILL.md。

目录结构

ljskill-knowledge/
├── SKILL.md              # Skill 主文件：工作流、原则、常见错误
├── README.md             # 本文件
├── LICENSE               # 开源许可证（CC-BY-NC-4.0）
├── VERSION               # 版本号
├── scripts/              # 核心脚本
│   ├── run_pipeline.py       # 一键流水线
│   ├── extract_m1m4.py       # M1-M4 提取
│   ├── generate_cards.py     # 知识卡片生成
│   ├── generate_p_index.py   # 问题索引提取
│   ├── generate_knowledge_graph.py  # 知识图谱（支持增量更新）
│   ├── validate_quality.py   # 质量验证
│   └── ...
├── references/           # 参考文档
│   ├── five-layer-model.md   # 六层模型说明
│   └── troubleshooting.md    # 问题排查
└── assets/               # 资源文件
    ├── demo-articles/        # 示例文章
    └── config-template.yaml  # 配置模板

核心设计原则

1. AI 全托管 — 用户只需要回答两个问题：素材在哪、叫什么名字
2. 质量优先 — 每个步骤都有质量检查，不达标准就暂停
3. 结构化输出 — 六层模型确保知识可检索、可关联
4. 增量友好 — 支持断点续跑和增量更新
5. Obsidian 原生 — 输出即用，不需要二次处理

设计参考

• Niklas Luhmann 的卡片盒笔记法
• Obsidian 知识图谱
• Zettelkasten 方法论
• Andrej Karpathy(卡帕西) Wiki 知识库
• 人月聊IT Wiki 知识库

FAQ

需要多少文章才能构建？ 建议至少 10 篇，1000 字以上/篇。太少会影响领域发现和知识关联。

支持中文吗？ 完全支持，概念命名和问题提取都针对中文优化。

能处理已有的 Obsidian 库吗？ 可以。把 source_dir 指向你的 Obsidian 文件夹即可，不会修改原文件。

怎么更新到最新版？ 在 skill 目录执行 git pull。

P-index 问题索引是什么？ 从知识卡片中自动提取用户可能提出的问题，关联到 M1-M4 知识节点。让知识库支持"按问题检索"。

License

本项目采用 CC BY-NC 4.0 许可证。

| 使用场景 | 要求 | |---------|------| | 个人使用、学习、研究、非商业项目 | 不需要署名，不需要申请 | | 公开发布衍生作品（文章、工具、课程等） | 请注明来源 | | 商业用途 | 需要单独授权，请联系作者 |