knowledge-synthesizer

知识综合器

用途

提供从多个来源汇总信息并将其综合为结构化、可执行知识的专业能力。专注于本体构建、知识图谱设计，以及为 RAG 和 AI 系统提取洞见。

适用场景

• 构建知识图谱或本体
• 设计 GraphRAG 或混合检索系统
• 综合多份文档中的信息
• 从文本中提取实体和关系
• 创建结构化知识库
• 开发分类体系和分类系统
• 实现语义搜索架构
• 有效连接彼此分散的数据源

快速开始

在以下情况调用此技能：

• 构建知识图谱或本体
• 设计包含图组件的 RAG 系统
• 综合多个来源中的洞见
• 从非结构化文本中提取结构化知识
• 创建分类体系或分类方案

以下情况请勿调用：

• 无需图功能的向量数据库设置 → 使用 /context-manager
• 通用 NLP 任务（NER、分类）→ 使用 /nlp-engineer
• 数据库模式设计 → 使用 /database-administrator
• 文档撰写 → 使用 /technical-writer

决策框架

Knowledge Structure Needed?
├── Hierarchical (taxonomy)
│   └── Tree structure, parent-child relationships
├── Graph (connected entities)
│   └── Nodes + edges, property graphs
├── Hybrid (RAG + Graph)
│   └── Vector embeddings + knowledge graph
└── Flat (simple retrieval)
    └── Standard vector store sufficient

核心工作流

1. 本体设计

1. 确定领域范围和边界
2. 定义核心实体类型（类）
3. 描述实体之间的关系
4. 添加属性和约束
5. 与领域专家共同验证
6. 使用示例进行说明

2. 知识图谱构建

1. 从源文档中提取实体
2. 识别实体之间的关系
3. 规范化并去重实体
4. 构建图结构（节点、边）
5. 添加元数据和溯源信息
6. 创建查询接口

3. 洞见综合

1. 收集来源并建立溯源信息
2. 提取关键主张和事实
3. 识别矛盾和一致之处
4. 综合为连贯的叙述
5. 引用来源以便追溯
6. 标出置信度

最佳实践

• 为所有提取的知识保留溯源信息
• 适用时采用成熟的本体标准（OWL、SKOS）
• 设计时考虑演进——本体会随时间变化
• 结合源上下文验证提取的关系
• 在粒度和易用性之间取得平衡
• 为提取的事实添加置信度分数

反模式

反模式	问题	正确做法
不跟踪溯源信息	无法验证主张	为每条事实跟踪其来源
本体过于复杂	难以维护和查询	从简单开始，按需演进
忽略矛盾	知识库内容不一致	标记并解决冲突
静态模式	遇到新领域时会失效	设计时考虑可扩展性
盲目信任提取结果	产生幻觉关系	使用置信度阈值进行验证