📖 技能介紹

name: knowledge-flywheel slug: knowledge-flywheel displayName: Knowledge Flywheel（知識飛輪框架） version: "1.0.0" description: 知識/記憶/流水線飛輪框架 — 三環自運轉、故障牽引修復、流水線自動註冊。把靜態知識和流水線變成自運轉飛輪：使用 → 反饋 → 校準 → 更準召回 → 更多使用。 tags: [flywheel, knowledge, pipeline, self-healing, memory]

Knowledge Flywheel

把靜態知識/流水線變成自運轉飛輪：使用 → 反饋 → 校準 → 更準召回 → 更多使用。

核心模式

三環飛輪

環	頻率	動作	實現
內環	每次執行	對召回的事實做正向反饋	`fact_flywheel.py inner`
中環	每次執行	trust 微調：高頻事實 trust↑，零檢索事實 trust↓	`fact_flywheel.py middle`
外環	每週	質量校準：歸檔長期零檢索，去重重複內容	`fact_flywheel.py outer`

故障牽引修復

故障發生 → fault_traction.py 提取錯誤特徵 → 匹配教訓庫 → 輸出 top_fix → 自動/人工修復 → 記錄結果

流水線飛輪註冊

python3 pipeline_flywheel.py register <name> <process_fn>
python3 pipeline_flywheel.py run <name> <input>
python3 pipeline_flywheel.py list

接入現有流水線

在 cron prompt 裡追加：

若執行失敗，立即執行：
python3 fault_traction.py "<錯誤特徵>"
按建議修復後重試。

設計原則

全自動優先：飛輪必須自動運轉，不需要使用者手動參與
最小侵入：接入只需在現有流程加 1-2 行呼叫
可觀測：所有事件寫入持久儲存，可查詢審計
自愈優先：故障優先自動修復，失敗才上報
不改使用者配置：飛輪只記錄事件，不修改現有流水線配置

故障牽引修復流程

故障發生
  ↓
fault_traction.py 提取錯誤特徵
  ↓
匹配教訓庫中的活躍教訓
  ↓
輸出：top_fix + 置信度 + 歷史使用次數
  ↓
自動修復 / 人工確認修復
  ↓
記錄修復結果到 pipeline_flywheel
  ↓
若成功 → 更新教訓 use_count
  ↓
若失敗 → 標記為待人工

輸入來源

來源	示例
cron 報錯	`python3 fault_traction.py "API 404 模型不存在"`
日誌檔案	`python3 fault_traction.py /var/log/agent/error.log`
指令碼異常	在 except 塊裡自動呼叫
使用者反饋	"又出問題了" → 提取最近錯誤日誌

輸出格式

狀態: matched / no_match
提取特徵: [...]
匹配教訓:
  1. 觸發詞: ...
     問題: ...
     修復: ...
     置信度: X | 使用次數: N
建議修復: ...

關鍵指令碼

指令碼	職責
`fact_flywheel.py`	三環飛輪：內環正向反饋、中環 trust 校準、外環質量校準
`fault_traction.py`	故障牽引修復，從錯誤文本匹配教訓庫
`pipeline_flywheel.py`	流水線註冊、執行記錄、事件追蹤、健康評估
`sync_rules.py`	啟動時自動驅動飛輪

健康度評估

五維健康分

維度	權重	說明
成功率	40%	success / total
延遲	20%	<1s 滿分，>5s 零分，線性插值
Token 用量	10%	<1000 滿分，>5000 零分，線性插值
錯誤分佈	15%	外部/內部錯誤佔比越低越好
Pattern 覆蓋率	15%	有 pattern 的失敗數 / 總失敗數

審計報告

輸出 Markdown 格式，包含：綜合健康分、五維得分表、執行統計、錯誤型別分佈、自動建議。

建議觸發條件：成功率<80%、延遲>3s、Token>3000、Pattern 覆蓋率<70%。

Pattern 自動分類

vendor_error：401/403/404/rate limit/timeout/connection 等外部錯誤
user_error：引數/輸入/格式錯誤
harness_defect：配置/投遞層問題
本技能來自小蔥技能站7w4.net。

Pattern 庫衛生

patterns 表隨時間堆積歷史已解決問題。建議： - 每週掃一次：python3 pipeline_flywheel.py pattern list - 對已知重複類目，批次設為 deprecated - 保留置信度 >= 0.7 且 last_matched_at 在 7 天內的 active pattern

常見陷阱

飛輪寫入失敗 ≠ 主任務失敗：trace 記錄失敗時，只降級提示，不回滾主任務結果
健康分的"執行次數"口徑：飛輪報告的執行次數是 trace 記錄數，不是 cron 排程次數，兩者不一定一致
SQLite 寫鎖：高併發下 trace_store 可能被鎖，建議 trace 表獨立於主事實庫，並保留 JSONL fallback
延遲統計異常：務必過濾 latency_ms=0 和數量級異常值（如 >24h），否則均分會完全失真

與 self-fix-loop 的互補關係

self-fix-loop：聚焦單個指令碼/任務的 8 階段自愈閉環
knowledge-flywheel：聚焦跨流水線知識沉澱 + 第二大腦飛輪 + 故障牽引

兩者互補： - 單個指令碼級故障 → self-fix-loop - 流水線級故障 + 知識沉澱 → knowledge-flywheel

🤖 AI 評測

這個 Skill 質量中等偏上，主要問題是缺少實際可用的程式。它在知識管理框架的設計上思路清晰、講解詳細，能看出開發者對系統化思考下了功夫。但文件再詳細也只是“說明書”，沒有程式碼就意味著使用者拿到手無法直接使用。需要補充完整可執行的程式才能真正發揮作用。期待後續能看到完整實現。

📊 多維度評分

適應性4

規範性4

有效性3.9

可靠性3.2

可信度4.9

📁 包含檔案 (1 個)

📄 SKILL.md 4.9 KB

Knowledge Flywheel（知識飛輪框架）