Token秘书 (Token Secretary)

简介

将"本地知识检索 → 情报压缩 → 云端精加工"封装为可复用的标准 Skill。

最大化节省云端 Token，让回答扎根于本地知识库，降低幻觉。

本 Skill 是 GLOBAL_RULES.md vFinal Agentic RAG 架构的具名封装，复用所有已有脚本，不重复实现。

触发方式

• 直接提及：@Token秘书
• 关键词触发：情报压缩 省token 本地知识分析 RAG增强
• 默认：GLOBAL_RULES.md 已将该流程设为技术问题的默认行为，不用显式调用

执行流程

严格复用 GLOBAL_RULES.md §2 定义的 5 步流程：

① 意图分类

使用 GLOBAL_RULES.md §2 中定义的正则模式匹配：

• 寒暄模式 → 直接回复，不进入后续流程
• 技术/工艺/报价模式 → 继续

② 实体提取

从用户问题中正则提取 {材料, 工艺, 参数, 问题类型}。

模式定义见 GLOBAL_RULES.md §2 "技术问题模式"。

③ 双路知识检索（并行）

/home/timo/.miniconda/bin/python3 /home/timo/projects/knowledge_querier.py "{关键词}" 10
/home/timo/.miniconda/bin/python3 /home/timo/projects/rag_semantic_search.py "{用户问题}" 10

合并去重，保留最多 20 条。

④ 知识情报压缩

bash /home/timo/projects/compress_knowledge.sh "{知识条目文本}"

• 模型：llama3.2:1b（唯一 GPU 常驻）
• 目标：≤500 字
• 超时 60s → 降级为取前 3 条原文截断
• 已知代价：~15% 杂质率

⑤ 云端精加工

将以下内容发送给 DeepSeek：

【本地情报块】
{情报块内容}

【用户问题】
{原始问题}

【任务指令】
1. 基于本地情报块中的数据回答用户问题
2. 情报块可能含 15% 杂质，以下内容视为杂质直接丢弃：
   - 虚构的英文文件名/技能名
   - 英文单词混入中文短语
   - 错误的材料标签
   - 来源不明的占位符
3. 仅保留情报块中的：材料牌号、工艺名称、尺寸参数、价格数据、技术术语
4. 如果情报块数据不足，可用云端通用知识补充
5. 回复时明确区分：
   - "基于本地知识库"后面写情报块中确认的事实
   - "基于云端通用知识"后面写推理补充的内容
6. 回复不引用情报块中不存在的数据

⑥ 可观测性标记

回复开头必须：

[路由: Token秘书]
[本地知识: 检索 X 条 | 压缩为 Y 字 | 耗时 Zs]
[情报: K1, K2, K3]

依赖（全部复用已有脚本，不新增）

与其他 Skill 的关系

降级策略

示例

用户: @Token秘书 6061铝合金薄壁件铣削用什么夹持？

系统:
[路由: Token秘书]
[本地知识: 检索 8 条 | 压缩为 213 字 | 耗时 18s]
[情报: 6061铝合金, 软爪, 热处理]

基于本地知识库：6061铝合金是常用薄壁结构材料...
基于云端通用知识：推荐软爪全包夹持，面积≥60%...

_创建时间：2026-05-09 23:43 CST | 版本：v1.0_

_本 Skill 不包含独立实现代码，所有逻辑由 GLOBAL_RULES.md vFinal 驱动_