by 运行时依赖
安装命令
点击复制技能文档
SKILL.md — 笔记链接 自动发现笔记之间的隐藏连接。双向链接、知识图谱和语义链接建议 — 无需插件。
此技能的功能 分析一个笔记目录（markdown、txt、org、Obsidian vault）并： 提取 — 读取所有笔记，按标题分割，提取内容块 理解 — 检测实体（人、项目、主题、工具），推断关系 链接 — 生成双向链接建议，带有置信度评分 图谱 — 构建知识图谱，显示笔记之间的连接 查询 — 遍历图谱： "显示与X相关的所有笔记"、"谁链接到Y"
与现有的slipbot（仅进行关键词匹配）不同，此技能使用语义理解 — 它知道"LLM"与"语言模型"和"变换器架构"相关，即使没有确切的关键词重叠。
何时触发 当用户说： "链接我的笔记" "在笔记之间找到连接" "从我的笔记构建知识图谱" "我的笔记中与X相关的内容是什么" "显示我的所有笔记关于Y的内容" "我的笔记散乱，能否组织它们" "双向链接" "反向链接" "A与B如何连接"
输入字段 类型 | 描述 ----|---- notesPath | string | 笔记目录路径（默认：~/.qclaw/workspace/） query | string | 特定关于笔记关系的问题（可选） depth | number | 链接遍历深度（默认：2） format | string | 图谱、列表、markdown（默认：markdown）
输出 Markdown 格式（默认）
知识图谱
分析的笔记：47
找到的链接总数：134
孤立笔记：3（未连接）
顶级中心（最多链接）
- AI_Agent_Architecture.md — 18 个连接
- Memory_System_Design.md — 14 个连接
- GitHub_Strategy.md — 11 个连接
链接建议
| 从 | 到 | 置信度 | 原因 |
|---|---|---|---|
| EvoMap.md | Memory_System_Design.md | 0.94 | 共享主题：自我进化 |
| GitHub_Strategy.md | clawhub_publish.md | 0.91 | 项目：SKY-lv repo 家族 |
| AI_Agent_Architecture.md | hermes-agent-integration.md | 0.87 | 工具集成 |
反向链接
EvoMap.md（3 个反向链接）
← Memory_System_Design.md（自我修复循环概念） ← skill-market-analyzer.md（GEP 协议参考） ← agent-builder.md（进化模式）图谱格式 { "nodes": [{"id": "note-name", "connections": 18, "topics": [...]}], "edges": [{"from": "A", "to": "B", "weight": 0.94, "reason": "..."}] }
技术方法 架构 notesPath/ ├── link_engine.js ← 核心：读取 → 提取 → 分析 → 图谱 ├── graph_query.js ← 遍历图谱，回答问题 └── export.js ← 导出为 Obsidian markdown、JSON、CSV
link_engine.js 核心逻辑 阶段 1：索引 递归找到所有 .md、.txt、.org 文件 解析前置元数据（YAML/toml 头部） 按标题或双换行符分割内容块
阶段 2：实体提取 命名实体：人、组织、工具（NER-lite 正则表达式） 主题：提取名词短语、技术术语 关键词：TF-IDF 每个笔记的顶级术语
阶段 3：关系检测 关系评分 = cosine_similarity(embedding_A, embedding_B) 无外部嵌入 API，使用： 关键词重叠（Jaccard）加权 TF-IDF 同一段落/部分的共现 结构链接：同一目录、类似文件名、共享 YAML 标签 显式提及：[[wikilink]] 或 [note name] 模式
阶段 4：图谱构建 const graph = { nodes: Map, edges: Map> }
阶段 5：查询 找到两个笔记之间的最短路径 列出 N 度邻居 找到桥接点（连接其他分离集群的笔记） 阈值策略 置信度条件 | 动作 ----|---- ≥ 0.85 | 强语义匹配 | 自动链接（添加 [[wikilink]]） 0.60–0.84 | 可能匹配 | 建议带有原因 0.40–0.59 | 弱匹配 | 标记为 "可能" < 0.40 | 噪音 | 忽略
实现注意 纯 Node.js（无外部 API） 对于嵌入免费的相似性，使用： 每个笔记的 TF-IDF 向量（术语频率 × 逆文档频率） 关键词集的 Jaccard 相似性 标题的 Levenshtein 距离以捕获近匹配 结构化仓库的 YAML 标签交集
Obsidian 兼容性 读取现有的 [[wikilink]] 语法 以 Obsidian 格式写入新链接 尊重 ![[embed]] 和 ![[callout]] 模式
性能 一次索引仓库，缓存在 ~/.qclaw/note-linking-graph.json 文件更改时增量更新（监视模式） 最大文件大小：每个笔记 1MB（跳过二进制/可执行文件）
真实数据（2026-04-11 市场分析） 指标 | 值 ----|---- 当前现有 slipbot（评分：1.021） | 目标评分 | 3.5 差距 | 3.43× 改进可能 现有弱点 | 仅关键词匹配，无图谱
与此技能组合良好的技能 skylv-knowledge-graph — 如果您想要完整的图谱可视化 skylv-file-versioning — 在时间上版本化您的笔记图谱 skylv-ai-prompt-optimizer — 优化您的笔记提示
使用方法 安装此技能 配置如需 使用 OpenClaw 运行