LLM_Wiki_Advanced

环境自适应

wiki+ 同时支持 本地模式（Cursor / IDE，有 bash + Node.js）和 云端模式（无 bash / Node.js）。

环境判断规则：在执行任何 bash 命令前，先判断当前环境是否具备 shell 执行能力：

> 切换到云端模式时，在回答末尾注明"⚠️ 当前以降级模式运行（无向量索引），检索基于关键词匹配"。

环境初始化

• 首次使用时，自动检测 wiki/ 目录和向量索引（wiki/.wiki-vec/config.json）是否存在。
• 本地模式：若未初始化，提示用户根据系统运行以下命令：
• Windows（PowerShell）：cd .cursor\skills\wiki+\tools; npm install; node vec-index.mjs
• macOS/Linux：bash .cursor/skills/wiki+/install.sh
• 云端模式：若无法执行 bash，当前会话使用关键词匹配作为临时检索，同时主动提示用户：

> "当前处于云端模式，本地向量检索不可用。请在本地 Cursor 环境中运行安装脚本完成初始化，下次检索精度将大幅提升。"

摄入文档 (@wiki+ ingest)

输入：用户指定的文档路径（支持 PDF、Word、Excel、图片、Markdown 等）。

流程：

1. 解析文档全部内容，生成 50-100 字的 L1 摘要，只提取事实。
2. 将摘要添加到 wiki/index.md 相应分类下。
3. 若涉及已有概念，更新对应卡片，新增 。
4. 若引入新概念，创建 wiki/cards/新概念.md，至少包含定义和来源引用。
5. 完成后执行增量向量索引更新（本地模式执行）：

```bash

node .cursor/skills/wiki+/tools/vec-index.mjs --update

```

云端模式：无法执行，提示用户："建议在本地运行安装脚本启用向量检索，以便下次检索时获得更精准的语义匹配。"

知识卡片模板 (wiki/cards/概念名.md)：

# 概念名

- **定义**：（一句话定义）
- **关键论证**：（关键事实或数据）
- **关联概念**：[[关联1]], [[关联2]]
- **来源**：`路径/文件名` (章节或页码)

检索查询 (@wiki+ search)

1. 首先读取 wiki/index.md 及相关聚合页面，快速判断主题是否覆盖。
2. 本地模式：调用本地向量语义搜索（Xenova/all-MiniLM-L6-v2，完全离线）；云端模式：临时降级为直接读取 wiki/cards/*.md 进行关键词匹配，并在回答末尾提示用户在本地完成安装：

```bash

bash .cursor/skills/wiki+/tools/search.sh "查询词"

```

1. 从返回结果中挑选相关性最强的不超过 10 个片段，读取对应完整卡片，进入推演引擎。
2. 降级触发条件：向量索引未建立 / bash 不可用 / Node.js 未安装 / 返回结果相关性极低，均自动回退到直接文件读取。
3. 若搜索结果完全不相关，必须回答"知识库未收录相关内容"，严禁编造。

循证推演引擎（EBR，Evidence-Based Reasoning Engine）

> 所有检索命中的回答都必须经过此引擎处理，不得直接返回原始检索片段。

第一步：问题分类（路由 A）

在回答前，先判断问题属于哪种类型，并明确说明将采用哪条推演路径：

第二步：分路径推演

定义型路径：

1. 从知识卡片提取核心定义；
2. 补充关联概念与来源出处；
3. 若存在多个定义，列出差异。

因果型路径：

1. 确定触发因素；
2. 逐层列出一阶机制 → 一阶效应；
3. 识别二阶反馈（放大/对冲/约束）；
4. 指出在什么条件下因果链失效。

预测型路径：

1. 明确列出推演的前提假设；
2. 从知识库已知规律出发，逐步外推；
3. 每一步标注证据权重（见第三步）；
4. 给出结论区间，而非单一确定答案。

评估型路径：

1. 用 MECE 原则将问题拆成互斥的评估维度；
2. 每个维度分别检索证据；
3. 对各维度赋权并综合；
4. 结论明确说明权衡取舍。

知识缺口路径：

1. 明确声明："知识库未收录此内容"；
2. 若可以，用已有近似知识做类比推理，并标记为 🔴；
3. 建议用户通过 @wiki+ ingest 补充相关文档。

第三步：证据权重标注（证据 C）

推演过程中，每一个关键命题都必须附带以下标记之一：

• 🟢 确定：知识库中有直接支持，附卡片引用 ([[卡片名]])
• 🟡 推演：基于知识库内容的逻辑推导，推导过程可见
• 🔴 假设：类比推理或外部知识，结论待验证，需用户确认

规则：

• 不得出现无标记的实质性命题；
• 🔴 标记的内容必须在回答末尾汇总，提示用户注意；
• 若整个回答全为 🟢，可省略标记，但须在末尾注明"以上均来自知识库"。

第四步：结构化输出（金字塔原则）

所有路径的最终输出统一格式：

【结论】（一句话直接回答，不超过 50 字）

【支撑】
  • 论点 1 🟢/🟡/🔴
    - 依据 …
  • 论点 2 🟢/🟡/🔴
    - 依据 …

【知识缺口】（若有 🔴 命题，在此汇总，建议补充哪些文档）

【引用】([[卡片1]], [[卡片2]], …)

反馈记录 (@wiki+ remember)

回答用户问题后，若发现可能值得保存的新知识，必须主动询问用户。

触发条件：

• 用户提供了补充事实或纠正信息
• 基于当前 Wiki 内容推导出新关联（推导过程透明可溯）
• 用户明确表达确认

流程：

1. 生成简明的"建议记录内容"。
2. 询问用户："是否将 '...' 记录到 wiki/cards/xxx.md？（是/否/修改）"
3. 仅当用户明确确认后才写入，写入时添加 。
4. 写入完成后，本地模式自动执行增量向量索引更新；云端模式无法执行，提示用户在本地运行安装脚本同步索引：

```bash

node .cursor/skills/wiki+/tools/vec-index.mjs --update

```

1. 若无值得保存的内容，不发起询问。

写入约束：

• 必须包含来源标注；若用户引用外部资料，需提供文档名或链接，否则拒绝记录。
• 写入前执行去重检查，避免重复记录。

维护与诊断

• @wiki+ rebuild-index：执行 node .cursor/skills/wiki+/tools/vec-index.mjs 全量重建向量索引。
• @wiki+ check-health：LLM 扫描全部页面，检查孤立链接、矛盾陈述、引用缺失，生成 wiki/issues.md 待办。
• @wiki+ ask-question：手动调用反馈层询问流程，分析当前对话是否有值得记录的知识。

增量向量索引更新

所有摄入或反馈写入后，执行：

node .cursor/skills/wiki+/tools/vec-index.mjs --update

--update 模式只扫描新增或修改的文件，不重建已有索引，保证快速完成。

存储层级说明

其他资源

• 使用说明：查阅 wiki-guide.md
• Windows 安装：PowerShell 执行 cd .cursor\skills\wiki+\tools; npm install; node vec-index.mjs
• macOS/Linux 安装：install.sh
• 向量索引构建：tools/vec-index.mjs
• 向量语义搜索：tools/vec-search.mjs
• 统一搜索入口：tools/search.sh