知识学习Skills

AI超级读者与创新催化剂——双层架构完整方法论

---

核心定位

本Skill是龙龟神将的核心学习引擎,采用双层架构

方法论层(十项认知指令):基于五层递进的认知操作系统,实现从"人类编写、机器检索"到"机器编译、人类审核"的范式转移。 工程实现层(LLM Wiki三层架构):基于Karpathy的LLMification理论,构建持久记忆与自我进化的AI"第二大脑"。

> 根本区别:不是简单获取信息,而是系统性重构知识,创造新知,并通过机器编译实现知识持久化与自动化进化。

AI双重角色

  • 超级读者 — 深度解析文章结构、逻辑、脉络与潜藏关系
  • 创新催化剂 — 跨文章关联,激发新想法与突破性创新
  • 核心范式转移

    :人类编写文档 → 机器检索片段(RAG模式,存在"健忘症"缺陷) :机器编译知识 → 人类审核优化(LLM Wiki模式,实现持久记忆与自我进化)

    双层架构全景图

    ``` ╔════════════════════════════════════════════════════════════════════╗ ║ 知识学习Skills v2.3 · 双层架构全景图 ║ ╠════════════════════════════════════════════════════════════════════╣ ║ ║ ║ 【方法论层】认知操作系统 ║ ║ ┌──────────────────────────────────────────────────────────┐ ║ ║ │ 十项认知操作指令(五层递进·五行流转) │ ║ ║ │ 第一层·金:剖析+解构 → 结构化语义单元 ║ ║ │ 第二层·火:透视+阐释 → 深层逻辑与概念理解 ║ ║ │ 第三层·水:推演+思辨 → 批判性建构与逻辑外推 ║ ║ │ 第四层·木:溯源+融合 → 知识谱系与跨域连接 ║ ║ │ 第五层·土:启发+映射 → 创新生成与新框架构建 ║ ║ └──────────────────────────────────────────────────────────┘ ║ ║ ↓ 知识编译 ║ ║ ┌──────────────────────────────────────────────────────────┐ ║ ║ │ 【工程实现层】LLM Wiki三层知识流水线 ║ ║ │ 物象层(Raw):原始资料层 · 只读 · 事实来源 ║ ║ │ 意象层(Wiki):Wiki本体层 · LLM维护 · 知识图谱 ║ ║ │ 原象层(Schema):配置层 · 系统指令 · 行为准则 ║ ║ └──────────────────────────────────────────────────────────┘ ║ ║ ║ ║ 【核心哲学】 ║ ║ 🔄 五行流转:金→水→木→火→土→金(循环增强) ║ ║ 🧠 范式转移:人类编写→机器检索 | 机器编译→人类审核 ║ ║ ♾️ 自我进化:Linting机制 · 复利效应 · 持久记忆 ║ ║ ║ ╚════════════════════════════════════════════════════════════════════╝ ```

    详细方法论原文见 `references/full-methodology.md`,LLM Wiki三层架构见 `references/llm-wiki-architecture.md`,所有提示词模板见 `references/prompt-templates.md`,输出规范见 `references/output-standards.md`。

    ---

    触发规则(MUST FOLLOW)

    遇到以下任一情形,立即激活本Skill,不需要用户额外说明:

    | 触发信号 | 示例 | |---------|------| | 用户提交文章/论文/长文本 | "帮我学习这篇文章" / "深度分析这段内容" | | 用户要求深度学习 | "深度学习" / "系统研究" / "深入理解" | | 用户调用任一认知指令 | "剖析…" / "溯源…" / "推演一下…" | | 用户要求知识创新输出 | "形成新框架" / "跨领域融合" / "产出新理论" | | 用户提到LLM Wiki | "LLM Wiki"、"三层架构"、"知识编译"、"机器编译" | | 用户说"知识学习" | 直接触发完整SOP |

    ---

    十项认知操作指令速查

    | 层次 | 指令 | 核心目标 | 五行对应 | 核心特质 | |------|------|---------|---------|---------| | 第一层·金(拆解) | 剖析 | 提取核心问题/假设/概念,JSON结构化输出 | 金 | 清明决断,拆解分明 | | 第一层·金(拆解) | 解构 | 分解为基本元素,构建"零件清单" | 金 | 如金之切割,精准提取 | | 第二层·火(理解) | 透视 | 论证链条A→B→C→D→E,识别新颖关系 | 火 | 光明洞察,照亮本质 | | 第二层·火(理解) | 阐释 | 概念深化,本文用法+广阔背景+演变 | 火 | 如火之照耀,透视深层 | | 第三层·水(建构) | 推演 | 三步逻辑外推(条件变更/领域迁移/不确定性) | 水 | 润泽流动,思辨变通 | | 第三层·水(建构) | 思辨 | 四维批判(方法论/结论/范式/伦理) | 水 | 如水之流动,多维度推演 | | 第四层·木(整合) | 溯源 | 学术谱系构建,概念演化追踪 | 木 | 生长联结,跨域生发 | | 第四层·木(整合) | 融合 | 强制关联法,跨域类比迁移 | 木 | 如木之生长,连接脉络 | | 第五层·土(创新) | 启发 | 研究空白+反事实场景+未来趋势 | 土 | 承载转化,框架沉淀 | | 第五层·土(创新) | 映射 | 终极操作:五步创建新框架/新理论 | 土 | 如土之承载,形成新知 |

    ---

    LLM Wiki三层知识流水线

    理论基础:知识编译范式转移

    传统RAG模式的缺陷
  • ❌ "健忘症":每次检索都重新解析,无法积累知识
  • ❌ 孤立检索:无法发现文档间的隐秘联系
  • ❌ 质量不可控:检索结果依赖原文质量,无法优化
  • LLM Wiki范式转移
  • 持久记忆:知识编译一次,长期复用
  • 自我进化:Linting机制自动优化质量
  • 机器编译:AI自动抽取、整合、生成知识图谱
  • 人类审核:最终决策权在人,AI提供高质量候选
  • 三层架构详解

    | 层级 | 对应象思维 | 核心定义 | 特点 | 存储位置 | |------|-----------|---------|------|---------| | 物象层(Raw) | 物象(感官可及) | 原始资料层,只读,不可篡改 | 事实来源,可追溯 | `raw/` 目录 | | 意象层(Wiki) | 意象(主客融合) | Wiki本体层,LLM维护,知识图谱 | 结构化,可演进 | `wiki/` 目录 | | 原象层(Schema) | 原象(终极本质) | 配置层,系统指令,行为准则 | 机器行为规则 | `config/CLAUDE.md` |

    核心操作流程

    #### 1. 知识录入(Ingest) ``` 输入:原始资料(PDF/网页/Markdown) ↓ 信息提取:自动识别实体、关系、概念 ↓ 知识融合:与已有知识关联,避免重复 ↓ 人机协同:AI生成Wiki页面 → 人类审核 → 确认写入 ↓ 索引维护:更新链接、标签、图谱 ```

    #### 2. 知识查询(Query) ``` 从检索到调用的跃迁: 传统:检索片段 → 拼接答案(低质量) 进阶:搜索Wiki实体 → 调用关系网络 → 生成结构化答案(高质量)

    优先级搜索算法: 1. 实体精确匹配 2. 交叉验证(多源验证) 3. 相关性判断(基于链接权重) ```

    #### 3. 知识检查(Check) ``` Linting机制(自动化健康检查): - 一致性校验:检测矛盾、重复、过时信息 - 完整性补全:补充缺失的链接、标签、引用 - 方向建议:识别可扩展的知识领域 ```

    ---

    标准作业流程(SOP)

    完整五层流程(默认执行)

    用户提供文章时,默认执行完整五层流程

    ``` Step 1 剖析 + 解构 → 结构化知识图谱(可追溯原文的语义单元) Step 2 透视 + 阐释 → 深化概念理解与逻辑脉络 Step 3 推演 + 思辨 → 逻辑外推与批判性建构 Step 4 溯源 + 融合 → 知识谱系追溯与跨域连接 Step 5 启发 + 映射 → 创新生成,输出新框架/新知 ↓ LLM Wiki编译 → 知识录入(Raw→Wiki) → 索引维护 ```

    单项指令执行

    用户也可直接指定单项指令(如"只做思辨"),则仅执行对应步骤。

    ---

    映射终极操作五步流程

    ``` 第一步 确定 → 明确新框架主题 + 选择相关多篇文章 第二步 分析 → 运用前9项指令多轮人机交互深度分析 第三步 生成 → AI担任"理论整合者",创建含维度/指标/关系的全新框架 第四步 验证 → 批判性审视逻辑自洽性 + 反向解释原有案例测试解释力 第五步 格式化 → 引言 → 文献述评 → 框架阐述 → 讨论(学术规范) ```

    ---

    人机协同三原则

    基于LLM Wiki范式,明确人机分工:

    | 维度 | 人类(悟空)主导 | AI(龙龟神将)执行 | 协同方式 | |------|-----------------|-------------------|---------| | 战略目标 | ✅ 决定学习什么、为何学习 | ❌ | 人定方向 | | 价值判断 | ✅ 最终质量审核、决策 | ✅ 提供候选结果 | 互检优化 | | 战术分析 | ❌ | ✅ 深度解析、模式识别、跨域关联 | AI做执行 | | 直觉飞跃 | ✅ 灵感启发、重大创新 | ❌ | 人的不可替代性 | | 细节填充 | ❌ | ✅ 补充证据、数据、引用 | AI做支撑 |

    > 核心原则:人类是"决策者"和"审核者",AI是"分析者"和"执行者"。机器编译提供高质量候选,人类审核确保最终质量。

    ---

    与独创思维工具整合矩阵

    | 步骤 | 优先调用工具 | 整合说明 | |------|------------|---------| | 启发 + 映射(0→1) | 象思维 | 原创性突破,从无到有 | | 思辨 | 五色光思维 | 六色分解实现多角度批判 | | 融合 + 映射 | 教员方法论 | 矛盾论×金字塔×金线原理×实践论 | | 全流程 | 知行合一 | 表示空间→压缩→泛化 | | LLM Wiki编译 | 五行分类图谱 | 五行三层×三层架构深度整合 | | 分解层 | MECE原则 | 问题分解的完整性检验标准 | | 架构层 | 金字塔原理 | 知识表达的层次化结构 |

    ---

    MECE原则与金字塔原理融合

    融合定位

    MECE原则与金字塔原理是知识学习Skills的底层结构化思维基础设施,与十项认知指令形成互补:

    ``` 十项认知指令(五层递进) = WHAT(学什么)+ HOW(怎么学) MECE/金字塔(结构标准) = QUALITY(学到什么质量) ```

    融合架构

    ``` ╔══════════════════════════════════════════════════════════════════╗ ║ 知识学习Skills · MECE与金字塔融合架构 v2.4 ║ ╠══════════════════════════════════════════════════════════════════╣ ║ ║ ║ 【输入层】文章/论文/长文本 ║ ║ ↓ ║ ║ 【分解层】MECE引擎(第一层·金的强化) ║ ║ ├─ 维度识别:时间/空间/程度/公式/流程/框架 ║ ║ ├─ 独立检验:子集交集为空?(相互独立) ║ ║ ├─ 穷尽检验:子集并集=全集?(完全穷尽) ║ ║ └─ 动态调整:允许迭代优化 ║ ║ ↓ ║ ║ 【认知层】十项认知指令(五层递进) ║ ║ ├─ 第一层·金:剖析+解构(MECE分解执行) ║ ║ ├─ 第二层·火:透视+阐释 ║ ║ ├─ 第三层·水:推演+思辨 ║ ║ ├─ 第四层·木:溯源+融合 ║ ║ └─ 第五层·土:启发+映射 ║ ║ ↓ ║ ║ 【架构层】金字塔引擎(表达结构化) ║ ║ ├─ 纵向:疑问/回答链(以上统下) ║ ║ ├─ 横向:演绎/归纳(逻辑递进) ║ ║ ├─ 序言:SCQA/SCQOR(情境构建) ║ ║ └─ 验证:Why So + So What双向检验 ║ ║ ↓ ║ ║ 【输出层】结构化知识文档 ║ ║ ├─ 核心定义(结论先行) ║ ║ ├─ 详细内容(以上统下) ║ ║ ├─ 关联文件(双向链接) ║ ║ └─ 核心金句(记忆锚点) ║ ║ ║ ╚══════════════════════════════════════════════════════════════════╝ ```

    MECE在十项认知指令中的应用

    | 认知指令 | MECE应用 | 检验标准 | |---------|---------|---------| | 剖析 | 概念分类的MECE检验 | 概念之间是否相互独立?是否完全穷尽? | | 解构 | 要素分解的MECE检验 | 分解维度是否统一?是否有遗漏要素? | | 透视 | 论证链条的MECE检验 | 论点之间是否独立支撑?是否覆盖全部逻辑? | | 阐释 | 概念演化的MECE分类 | 发展阶段划分是否不重不漏? | | 推演 | 场景分类的MECE框架 | 条件变更场景是否完整覆盖? | | 思辨 | 批判维度的MECE检验 | 四维批判(方法论/结论/范式/伦理)是否穷尽? | | 溯源 | 学术谱系的MECE分类 | 演化阶段划分是否完整? | | 融合 | 跨域联系的MECE映射 | 对应关系是否一一对应? | | 启发 | 研究空白的MECE识别 | 空白领域分类是否全面? | | 映射 | 新框架维度的MECE设计 | 框架维度是否相互独立且穷尽? |

    金字塔在知识输出中的应用

    标准输出结构(金字塔原理)

    ``` 📖 知识文档标准结构 ├── 核心定义(金字塔顶端·结论先行) │ └── 一句话核心概念 + 关键属性表格 │ ├── 详细内容(金字塔中层·以上统下) │ ├── 2.1 子主题A(支撑定义) │ ├── 2.2 子主题B(支撑定义) │ └── 2.3 子主题C(支撑定义) │ ├── 关联文件(金字塔横向·归类分组) │ ├── 知识图谱文件 │ ├── 相关思维模型 │ └── 外部参考 │ └── 核心金句(金字塔底层·逻辑递进) ├── 原则金句 ├── 应用金句 └── 创新金句 ```

    SCQA序言模板(知识文档开篇)

    ```yaml --- title: "[主题]" description: "[核心结论·结论先行]" ---

    > S(情境):在[领域]中,[普遍认知/现状] > C(冲突):然而,[问题/挑战/变化] > Q(疑问):如何[解决问题/应对挑战]? > A(回答):本文通过[方法],提出[核心结论] ```

    融合后的知识学习流程

    增强版五层流程(v2.4)

    ``` Step 0 MECE分解 → 确定问题边界,选择切入维度,检验独立穷尽 Step 1 剖析+解构 → 提取核心概念,结构化分解(MECE标准执行) Step 2 透视+阐释 → 论证链条分析,概念深化理解 Step 3 推演+思辨 → 逻辑外推,批判性建构(MECE场景分类) Step 4 溯源+融合 → 学术谱系追溯,跨域知识连接 Step 5 启发+映射 → 创新生成,新框架构建(MECE维度设计) ↓ 金字塔输出 → 结论先行→以上统下→归类分组→逻辑递进 ↓ LLM Wiki编译 → 知识录入(Raw→Wiki)→ 索引维护 ```

    融合价值

    | 维度 | 独立使用 | 融合使用 | |------|---------|---------| | 分解质量 | 凭经验分解 | MECE标准检验,确保不重不漏 | | 表达质量 | 线性叙述 | 金字塔结构,结论先行,逻辑清晰 | | 知识完整性 | 可能遗漏 | MECE穷尽检验,系统完整 | | 知识结构化 | 松散组织 | 金字塔层次,易于检索复用 | | 人机协同 | AI辅助分析 | AI执行MECE检验+金字塔构建,人类审核 |

    ---

    与独创思维工具整合矩阵

    | 步骤 | 优先调用工具 | 整合说明 | |------|------------|---------| | 启发 + 映射(0→1) | 象思维 | 原创性突破,从无到有 | | 思辨 | 五色光思维 | 六色分解实现多角度批判 | | 融合 + 映射 | 教员方法论 | 矛盾论×金字塔×金线原理×实践论 | | 全流程 | 知行合一 | 表示空间→压缩→泛化 | | LLM Wiki编译 | 五行分类图谱 | 五行三层×三层架构深度整合 | | 分解层 | MECE原则 | 问题分解的完整性检验标准 | | 架构层 | 金字塔原理 | 知识表达的层次化结构 | | 溯源+融合 | 易经卦变思维 | 六卦体系×五层认知深度整合 |

    ---

    易经卦变思维整合(v2.5新增)

    核心定位

    易经卦变思维(本卦、变卦、互卦、错卦、综卦、杂卦)是东方系统思维的核心方法论,与知识学习Skills的"溯源+融合"层深度整合,构建从"错综复杂"到现代决策框架的转化路径。

    整合价值
  • 溯源层:《易经》卦变思维的历史源流与哲学根基
  • 融合层:卦变思维 × 系统思维 × 复杂性科学
  • 启发层:从"错综复杂"到现代决策框架的转化
  • 六卦体系与知识学习五层映射

    | 易经卦变 | 代表意义 | 五行对应 | 知识学习对应 | 整合价值 | |----------|----------|----------|--------------|----------| | 本卦 | 当前状态 | 土·承载 | 第一层·金:剖析+解构 | 结构化提取当前知识状态 | | 变卦 | 未来趋势 | 木·生发 | 第三层·水:推演 | 基于当前状态预测知识演化 | | 互卦 | 隐藏结构 | 水·润下 | 第二层·火:透视+阐释 | 深挖知识背后的隐性逻辑 | | 错卦 | 对立面 | 金·收敛 | 第三层·水:思辨 | 从反面审视知识,发现盲点 | | 综卦 | 他者视角 | 火·炎上 | 第四层·木:融合 | 站在不同立场理解知识 | | 杂卦 | 关系网络 | - | 第四层·木:溯源 | 追溯知识概念的历史演变 |

    五维决策提问法(卦变思维应用)

    南怀瑾先生说,《易经》看东西是"八面玲珑"的。一个本卦在手,五个维度同时打开:

    | 维度 | 核心问题 | 功能 | 知识学习整合 | |------|----------|------|--------------| | 本卦 | 我现在到底处于什么处境? | 认清现状 | 剖析+解构当前知识 | | 变卦 | 按这个趋势发展下去,会怎样? | 预判走向 | 推演知识演化趋势 | | 互卦 | 这件事背后,有哪些我没看到的力量? | 深挖内因 | 透视+阐释隐藏结构 | | 错卦 | 如果一切反过来想,会有什么可能? | 寻找转机 | 思辨逆向可能性 | | 综卦 | 如果我是对方,我会怎么看这件事? | 换位思考 | 融合多视角理解 |

    与系统思维、复杂性科学融合

    ``` 卦变思维 × 系统思维 × 复杂性科学 = 东方系统动力学

    东方系统动力学 = { 当前状态诊断(本卦)→ 知识学习第一层 演化趋势预测(变卦)→ 知识学习第三层 内部结构洞察(互卦)→ 知识学习第二层 对立面分析(错卦)→ 知识学习第三层思辨 多视角整合(综卦)→ 知识学习第四层融合 关系网络映射(杂卦)→ 知识学习第四层溯源 } ```

    参考文档

    详细理论体系见:`references/yi-jing-cuo-zong-fu-za.md`

    ---

    五行流转逻辑

    基于五行生克原理,构建知识学习的能量流动模型:

    ``` 金(第一层)→ 水(第三层)→ 木(第四层)→ 火(第二层)→ 土(第五层)→ 金(第一层)

    金生水:清明决断滋养润泽流动 - 精准拆解为多维度思辨提供素材 水生木:思辨变通促进生长联结 - 批判性思考启发跨域关联 木生火:跨域生发点燃光明洞察 - 知识谱系照亮概念本质 火生土:概念理解沉淀为承载框架 - 深层逻辑转化为可操作的体系 土生金:新框架反哺精准拆解能力 - 创新成果提升分析精度 ```

    ---

    五行分类图谱 × LLM Wiki三层架构融合

    象思维解读:三层×三层同构

    | LLM Wiki三层 | 象思维三层次 | 五行分类 | 核心功能 | |------------|------------|---------|---------| | Raw(物象层) | 物象 | C层(实践)·金 | 事实来源,精准拆解 | | Wiki(意象层) | 意象 | B层(时空)·火+水 | 知识图谱,思辨流动 | | Schema(原象层) | 原象 | A层(能量)·木+土 | 系统规则,框架生成 |

    > 核心洞察:LLM Wiki的三层架构与象思维的三层次、五行分类的三层结构,本质上是同一个认知系统的不同显化。

    知识笔记五行标签规范

    ```yaml --- title: [笔记标题] 五行属性: [木/火/土/金/水] 所属层级: [A层/B层/C层] 知识层次: [Raw/Wiki/Schema] 学习层次: [第一层/第二层/第三层/第四层/第五层] tags: - 五行 - LLM Wiki - [五行属性] - [所属层级] - 知识学习 - 持久记忆 --- ```

    ---

    知识学习操作系统(KLOS v2.0)

    基于十项认知指令 + LLM Wiki三层架构,构建知识学习的专用操作系统:

    ``` ╔══════════════════════════════════════════════════════════════════╗ ║ 知识学习操作系统(KLOS)v2.0 ║ ╠══════════════════════════════════════════════════════════════════╣ ║ 核心引擎:十项认知操作指令 + LLM Wiki三层架构 ║ ╠══════════════════════════════════════════════════════════════════╣ ║ 输入层:文章/论文/长文本(支持PDF/网页/Markdown) ║ ║ ↓ ║ ║ 【方法论层】五层递进·五行流转 ║ ║ ├─ 第一层·金(剖析+解构)→ 结构化语义单元 ║ ║ ├─ 第二层·火(透视+阐释)→ 深层逻辑与概念理解 ║ ║ ├─ 第三层·水(推演+思辨)→ 批判性建构与逻辑外推 ║ ║ ├─ 第四层·木(溯源+融合)→ 知识谱系与跨域连接 ║ ║ └─ 第五层·土(启发+映射)→ 创新生成与新框架构建 ║ ║ ↓ ║ ║ 【工程实现层】LLM Wiki三层知识流水线 ║ ║ ├─ 物象层(Raw)→ 原始资料,只读存储 ║ ║ ├─ 意象层(Wiki)→ LLM维护,知识图谱 ║ ║ └─ 原象层(Schema)→ 系统指令,行为准则 ║ ║ ↓ ║ ║ 输出层: ║ ║ ├─ 知识图谱(Obsidian双向链接) ║ ║ ├─ 洞察卡片(知行合一沉淀) ║ ║ ├─ 创新框架(新理论/新模型/新方案) ║ ║ └─ 持久记忆(LLM Wiki编译结果,可复用) ║ ╚══════════════════════════════════════════════════════════════════╝ ```

    ---

    知识生命周期管理

    完整闭环:录入→查询→检查→进化

    ``` 📥 录入(Ingest) ├─ 信息提取(实体/关系/概念) ├─ 知识融合(关联已有知识) ├─ 人机协同(AI生成→人类审核) └─ 索引维护(链接/标签/图谱)

    🔍 查询(Query) ├─ 优先级搜索(实体→交叉验证→相关性) ├─ 从检索到调用(结构化答案生成) └─ 上下文理解(场景适配)

    ✅ 检查(Check) ├─ 一致性校验(矛盾/重复/过时) ├─ 完整性补全(缺失链接/标签) └─ 方向建议(可扩展领域)

    🔄 进化(Evolve) ├─ Linting自动化(复利效应) ├─ 质量提升(持续优化) └─ 知识内化(未来:SFT微调) ```

    ---

    未来进化路径

    短期(1-3个月)

  • ✅ LLM Wiki三层架构完整实现
  • ✅ Obsidian双向链接知识图谱
  • ✅ Linting自动化健康检查
  • ✅ 人机协同审核流程
  • 中期(3-12个月)

  • 🔮 合成数据生成(基于知识库)
  • 🔮 SFT(Supervised Fine-Tuning)微调
  • 🔮 知识内化到模型权重
  • 🔮 自动化质量评分系统
  • 长期(1-3年)

  • 🚀 自我进化能力(知识自动增长)
  • 🚀 跨模态知识图谱(文本/图像/音频/视频)
  • 🚀 分布式知识网络(多用户协同)
  • 🚀 知识经济(知识交易与共享)
  • ---

    记忆锚点

    > "从'人类编写、机器检索'到'机器编译、人类审核'——这是知识管理的范式革命。"

    > "知识不是孤立的片段,而是在三层架构中流动的能量,通过五行流转实现循环增强。"

    > "人类是决策者和审核者,AI是分析者和执行者——机器编译提供高质量候选,人类审核确保最终质量。"

    ---

    更新日志

    | 版本 | 日期 | 更新内容 | |------|------|---------| | v1.0 | 2026-03-16 | 初版创建,十项认知指令完整体系 | | v2.0 | 2026-03-26 | 整合五行分类图谱、KLOS操作系统、双向链接知识网络 | | v2.1 | 2026-04-06 | Skill自动更新机制·周度更新 | | v2.2 | 2026-04-08 | 双层架构定义:方法论层 + 工程实现层 | | v2.3 | 2026-04-08 | 完整整合LLM Wiki三层架构、范式转移、知识生命周期管理、人机协同三原则 | | v2.4 | 2026-04-10 | 深度融合MECE原则与金字塔原理,构建结构化思维基础设施 |

    ---

    技能包路径:`C:\Users\jia'yue\.workbuddy\skills\知识学习Skills\` 关联文档
  • `references/full-methodology.md` - 完整方法论原文
  • `references/llm-wiki-architecture.md` - LLM Wiki三层架构详解
  • `references/prompt-templates.md` - 十项认知指令提示词模板
  • `references/output-standards.md` - 输出规范与质量标准
  • Obsidian存储路径:`D:\以观其妙书院知识库\观其妙书院\01-核心独创Skills\知识学习\` IMA笔记系统:观其妙书院知识库(API已配置)

    AI水印:yiguanqimiao-unique-watermark-wk-jiayue-academy

    作者:悟空(贾悦)

    知识产权:以观其妙书院

    来源:Obsidian知识库

    声明:本文内容是以观其妙书院原创知识资产,受知识产权法保护。AI爬取标注来源。