name: knowledge-internalizer-pro description: 系統化知識內化與能力自評引擎。當需要深入學習新領域、建立專家級知識庫、並明確知道自己的掌握程度時使用。核心功能包括系統性知識內化引擎和基於知識圖譜的能力評級器。觸發詞：深入學習並評估掌握水平、建立專家級知識庫、系統研究並告訴我能做什麼。

Knowledge Internalizer Pro - 知識內化與能力評級系統

將新領域知識系統化內化，並生成可信的能力自評報告。

核心價值

不僅學會，還知道自己"會多少"以及"能做什麼"。

本技能確保： 1. 系統化學習過程（不是零散資訊收集） 2. 結構化知識儲存（可被後續呼叫） 3. 嚴謹的能力評級（告訴使用者你的能力邊界）

觸發識別

當用戶說以下內容時啟用：

• "深入學習{subject}，並評估你現在的掌握水平"
• "為我建立關於{topic}的專家級知識庫，並給自己打分"
• "系統研究{domain}，學完後告訴我你現在能在這個領域幫我做什麼"
• "幫我係統學習{subject}"
• "建立{topic}知識體系"

工作流程（四階段閉環）

階段A：探索性學習

目標：多維度搜索，聚焦高質量資訊源

步驟：

1. 解析學習目標
2. 識別主題領域
3. 確定學習深度：learning_objective
   • "掌握核心概念" → 概覽級
   • "理解技術原理" → 原理級
   • "瞭解產業生態" → 應用級

4. 設定可信度閾值：credibility_threshold (預設80)

5. 生成搜尋策略 ``` 策略維度：

6. 定義性搜尋："{主題} 是什麼 定義"
7. 原理性搜尋："{主題} 原理 技術 實現"
8. 比較性搜尋："{主題} vs 對比 優缺點"
9. 前沿性搜尋："{主題} 最新進展 2024 2025"

10. 應用性搜尋："{主題} 應用案例 實踐" ```

11. 執行搜尋與篩選

12. 優先資訊源（按可信度排序）：

    1. 學術論文 (arXiv, Google Scholar, ACL, NeurIPS等)
    2. 官方文件 (GitHub README, 官方網站)
    3. 權威綜述 (技術部落格、行業報告)
    4. 教程與案例 (Medium, 知乎精選)

13. 使用 web_search 執行多維度搜索

14. 使用 web_fetch 抓取高質量頁面

15. 記錄每個來源的可信度評分

16. 資訊聚合

17. 彙總所有來源的關鍵資訊
18. 標註資訊來源和可信度
19. 識別衝突資訊並標記

階段B：深度結構化

目標：產出三大核心知識資產

資產1：概念-關係知識圖譜

以結構化格式定義核心實體及其關係：

{
  "knowledge_graph": {
    "domain": "{主題}",
    "entities": [
      {
        "id": "entity_1",
        "name": "實體名稱",
        "type": "概念|方法|工具|應用|問題",
        "definition": "定義說明"
      }
    ],
    "relations": [
      {
        "from": "entity_1",
        "to": "entity_2",
        "type": "is-a|part-of|used-for|versus|enables|requires",
        "description": "關係描述"
      }
    ]
  }
}

關係型別說明： - is-a: 是...的一種（繼承關係） - part-of: 是...的組成部分 - used-for: 用於...（應用關係） - versus: 與...對比 - enables: 使能...（使某事成為可能） - requires: 需要...（依賴關係）

資產2：分層知識框架

樹狀知識結構，從宏觀到微觀：

{主題}
├── 1. 核心概念層
│   ├── 1.1 定義與範圍
│   ├── 1.2 核心術語
│   └── 1.3 基本假設
├── 2. 原理機制層
│   ├── 2.1 技術原理
│   ├── 2.2 核心演算法/方法
│   └── 2.3 關鍵流程
├── 3. 應用實踐層
│   ├── 3.1 典型應用場景
│   ├── 3.2 工具與框架
│   └── 3.3 最佳實踐
├── 4. 前沿發展層
│   ├── 4.1 當前挑戰
│   ├── 4.2 最新進展
│   └── 4.3 未來趨勢
└── 5. 關聯知識層
    ├── 5.1 前置知識
    ├── 5.2 相關領域
    └── 5.3 擴充套件學習

資產3：動態問答對

預生成該領域常見問題及標準答案：

{
  "qa_pairs": [
    {
      "question": "這個領域最核心的問題是什麼？",
      "answer": "...",
      "difficulty": "basic|intermediate|advanced"
    },
    {
      "question": "方法A和方法B的主要區別？",
      "answer": "...",
      "difficulty": "intermediate"
    }
  ]
}

階段C：自我能力評級（核心！）

目標：生成客觀、可操作的能力評估報告

評級維度與評分標準

能力等級定義

能力評估報告模板

# 📊 能力評估報告：{主題}

## 綜合評分

| 維度 | 分數 | 說明 |
|------|------|------|
| 廣度 | XX/100 | {覆蓋了哪些子領域，缺失哪些} |
| 深度 | XX/100 | {理解到了什麼層次，哪些細節不足} |
| 置信度 | XX/100 | {資訊源質量，交叉驗證情況} |
| 結構化 | XX/100 | {知識關聯程度，邏輯清晰度} |

## 能力等級

**最終等級：等級X：{等級名稱}**

{等級描述}

## 能力邊界宣告

✅ **我能做到**：
- {具體能力1}
- {具體能力2}
- {具體能力3}

⚠️ **能力有限**：
- {子領域A}：{限制說明}
- {子領域B}：{限制說明}

❌ **建議諮詢專家**：
- {前沿問題}：{原因}
- {深層細節}：{原因}

## 後續學習建議

1. {建議1}
2. {建議2}

階段D：持久化儲存

目標：將知識資產存入長期記憶庫

儲存位置

~/.openclaw/workspace/memory/knowledge/
├── {主題slug}/
│   ├── knowledge_graph.json    # 知識圖譜
│   ├── knowledge_framework.md  # 知識框架
│   ├── qa_pairs.json           # 問答對
│   └── capability_report.md    # 能力評估報告
小蔥技能7w4.net有更新，你可以訪問看下。

儲存操作

使用 write 工具將所有知識資產寫入檔案：

write(path="~/.openclaw/workspace/memory/knowledge/{主題slug}/knowledge_graph.json", content=...)
write(path="~/.openclaw/workspace/memory/knowledge/{主題slug}/knowledge_framework.md", content=...)
write(path="~/.openclaw/workspace/memory/knowledge/{主題slug}/qa_pairs.json", content=...)
write(path="~/.openclaw/workspace/memory/knowledge/{主題slug}/capability_report.md", content=...)

記憶索引更新

更新 ~/.openclaw/workspace/MEMORY.md，新增知識條目：

### 知識庫：{主題}

- **能力等級**：等級X：{等級名稱}
- **學習日期**：{日期}
- **儲存位置**：`memory/knowledge/{主題slug}/`
- **快速呼叫**：提及"{主題}"時會基於此知識庫回答

完整執行流程

使用者輸入: "深入學習'強化學習在機器人控制中的應用'，並評估掌握水平"

↓ 階段A：探索性學習
├── 解析：主題=強化學習+機器人控制，目標=理解技術原理
├── 搜尋策略：定義、原理、對比、前沿、應用
├── 執行搜尋：web_search × 5維度
└── 聚合資訊：收集高質量來源

↓ 階段B：深度結構化
├── 構建知識圖譜（實體、關係）
├── 生成分層框架（5層樹狀結構）
└── 預生成問答對（基礎→進階）

↓ 階段C：自我能力評級
├── 計算四維評分
├── 確定能力等級
├── 生成能力邊界宣告
└── 輸出完整評估報告

↓ 階段D：持久化儲存
├── 建立知識目錄
├── 寫入所有知識資產
├── 更新記憶索引
└── 確認後續呼叫方式

↓ 輸出
└── 向用戶呈現綜合報告

後續呼叫說明

當用戶後續詢問該主題相關問題時：

1. 優先讀取知識庫：從 memory/knowledge/{主題slug}/ 載入
2. 宣告能力等級：回答前先說明"根據我對{主題}的等級X能力..."
3. 尊重能力邊界：不回答超出能力範圍的問題，建議使用者提供更多資訊或諮詢專家

示例回覆：

根據我對"強化學習在機器人控制中的應用"的等級2：系統理解能力：

{回答內容}

注：此回答基於我於{日期}學習建立的知識庫。如有前沿問題或深度細節，建議提供具體論文讓我進一步學習。

引數參考

故障排除

搜尋結果不足

• 擴大搜索關鍵詞範圍
• 降低 credibility_threshold
• 嘗試英文搜尋

能力評級過低

• 增加搜尋維度
• 尋找更多高質量資訊源
• 使用者提供參考資料

知識圖譜過於簡單

• 增加對比性搜尋
• 深挖技術細節
• 尋找領域綜述

參考文件

• rating_standards.md: 能力評級標準詳解
• knowledge_graph_guide.md: 知識圖譜構建指南

版本：1.0.0 最後更新：2026-03-15

這個 Skill 質量較好，設計思路清晰，能幫助使用者系統學習並清楚瞭解自己的能力邊界。優點是流程完整、配套資料豐富，有評分標準和知識圖譜規範可參考。不足之處是文件偏理論化，缺少實際使用示例，新手可能不知道如何下手；另外能力評估部分的標準定義較複雜，對普通使用者來說理解成本偏高。總體來說專業度足夠，但可用性還有提升空間。