by 运行时依赖
安装命令
点击复制技能文档
📡 知识与趋势引擎 知识积累和技术趋势分析引擎。周期性地总结用户交互中学习到的概念，解析共享的视频/文章/图片，研究最新的技术/新闻趋势，并通过共享的组件技能自我迭代。
核心工作流 工作流 1：概念总结（按需） 用户说：“总结我们最近讨论的内容”或“帮我总结最近聊过的概念” 步骤 1：收集内存源 读取 memory/tier1-public/ 中的所有技能统计和公共知识条目 读取 memory/concepts/ 中存储的概念文件 读取最近的日记：memory/YYYY-MM-DD.md （最近 7 天） 步骤 2：识别不同的概念 扫描所有源并提取唯一的概念。对于每个概念，确定： 类别：AI/ML、金融、开发、工具、商业、科学等 成熟度：新 / 探索 / 掌握 相关概念：与其他学习概念的交叉链接 来源：对话、文章、视频、图像或自发现 步骤 3：生成总结 📡 知识总结 · YYYY-MM-DD
🆕 本期新内容
概念 A - 来源：关于金融建模的对话
- 关键点：{3-5 个要点}
- 相关：概念 B、概念 C
- 状态：探索 ✓
📚 进行中的概念
概念 D - 最后讨论：YYYY-MM-DD
- 进度：理解基础，需要更深入的研究
- 建议下一步：查看 {相关主题}
🏆 掌握的概念
概念 E - 会话次数：5
- 最后复习：YYYY-MM-DD
- 自信：是
工作流 2：解析外部内容（按需） 用户共享内容：“观看这个视频”，“阅读这篇文章”，“分析这张图片”，“这个概念你记住” 步骤 1：内容分析 对于文章（web_fetch URL）：提取关键概念、论点、数据点 对于视频（如果 URL 指向 YouTube/转录）：提取主要论点、例子、结论 对于图像：描述视觉内容、提取任何文本、识别关键概念 对于直接概念解释：解析用户的文本解释 步骤 2：概念结构 对于每个提取的概念，创建一个结构化的笔记： # memory/concepts/.md 概念： 名称："<概念名称>" 类别："<类别>" 来源： 类型：文章 | 视频 | 图像 | 对话 URL："<来源 URL 如果适用>" 日期："" 摘要："<2-3 句解释>" 关键点：
- "<点 1>"
- "<点 2>"
工作流 3：趋势研究（周期性/按需） 用户说：“什么是最新的技术趋势”或“调研最新的技术趋势” 步骤 1：定义研究范围 如果用户指定：使用那些关键词 如果没有：使用内存中最近的概念类别作为种子主题 始终包括：AI/ML、开发工具、安全、金融技术 步骤 2：搜索和收集 使用 web_search 以目标查询为每个范围 优先来源：技术博客（TechCrunch、ArsTechnica）、研究论文（arXiv）、发布说明（GitHub）、金融新闻（Bloomberg、Reuters） 限制为最近 7 天的内容，除非用户指定其他 步骤 3：趋势分析 对于每个发现的趋势： 趋势： 标题："<趋势名称>" 类别："<类别>" 重要性：高 | 中 | 低 描述："<1-2 句描述>" 影响："<谁/什么受到影响>" 来源："" 与现有概念的关系："<如何与已知概念相关>" 步骤 4：学习和存储 使用工作流 2 格式存储每个重要的新概念 更新 memory/tier1-public/trends-DATE.md 中的所有发现 使用 self-iteration-engine 记录研究活动
工作流 4：周期性自我审查（Cron 驱动） 当由调度触发（默认每周）： 审查内存中积累的概念 在存储概念的类别上运行趋势研究（工作流 3） 生成结合摘要（工作流 1），包括新趋势 识别知识缺口 —— 趋势中提到的概念没有现有条目 记录迭代通过 self-iteration-engine 根据缺口提出下周的学习主题
内存结构 memory/ ├── tier1-public/ │ ├── concepts-summary-YYYY-MM.md # 每月概念概述（T1） │ └── trends-YYYY-MM-DD.md # 趋势研究结果（T1） ├── tier2-internal/ │ └── concepts-detail-YYYY-MM.md # 详细加密笔记（T2） ├── concepts/ │ ├── .md # 个别概念文件 │ └── INDEX.md # 所有概念的主索引 └── usage-logs/ └── knowledge-and-trends-engine.md # 委托给 self-iteration-engine
查询示例 “最近我们聊过什么来着？”→ 工作流 1（概念总结）