name: chen-knowledge-web description: 知識組網擴充套件技能（陳氏知識網）。將任意知識點從5個維度展開為網狀結構：橫向擴充套件（同級類比/上級歸納/下級拆分）、縱向深挖（結構組成/底層機制/關聯因素，至少3層）、背景來源（起源/歷史/定義）、典故出處（文化附著/詩詞/科學典故）、產生影響（按領域分類）。核心能力包括同名多義實體逐一展開、同一時間線國際大事件補充（金融/技術/政治/文化）、同功效替代品對比、副作用/風險分析、產業鏈上下游擴充套件。適用於知識圖譜構建、深度學習某個概念、跨學科知識串聯、歷史事件全景理解、人物/術語同名消歧。觸發詞：組網、擴散、知識點擴充套件、知識網路、知識圖譜、展開講講、詳細說說、深挖、橫向對比、同一時間線、同名、多義、查一下這個人、幫我理一下、梳理知識。 version: 1.0.0 homepage: https://github.com/cyj4578/chen-skillshub/tree/main/chen-knowledge-web emoji: "🕸️"

知識組網擴充套件器（陳氏知識網）

核心模型

每個知識點從 5 個維度展開：

擴充套件能力

能力1：同一時間線國際大事件補充

當知識點涉及歷史事件/人物時，必須補充同一時期的全球大事件：

格式：

## 🌍 同一時間線（補充）

| 領域 | 事件 | 說明 |
|------|------|------|
| 金融 | [事件名] | [影響] |
| 技術 | [事件名] | [影響] |
| ... | ... | ... |

能力2：發散性知識點補充

橫向擴充套件：同功效替代品

### 同功效替代品
| 替代物 | 機制 | 優劣對比 |
|--------|------|----------|
| [A] | [原理] | 優勢/劣勢 |
| [B] | [原理] | 優勢/劣勢 |

反作用/副作用補充

## ⚠️ 反作用/副作用/風險
| 風險型別 | 具體表現 | 嚴重程度 |
|----------|----------|----------|
| [短期] | [具體症狀] | 輕/中/重 |
| [長期] | [具體症狀] | 輕/中/重 |
| [過量] | [具體症狀] | 輕/中/重 |

產業鏈上下游擴充套件

### 產業鏈關聯
- 上游：[原料/供應]
- 中游：[加工/製造]
- 下游：[應用/消費]

工作流

輸入知識點 → 5維展開 → 每個子節點繼續5維展開 → 網狀輸出

Step 1: 接收知識點

明確使用者提供的核心概念/術語/現象。

Step 2: 5維展開

對每個節點依次輸出：

## [維度名稱]
- [具體內容1]
- [具體內容2]
- [具體內容3]

Step 3: 遞迴深挖（可選）

詢問使用者是否繼續深挖某個子節點，如是，返回 Step 2。

輸出格式

同名多義處理規則（重要）

當知識點/名稱存在多個同名實體時（如人名、術語等），必須逐一列舉，每個實體獨立展開知識組網：

小蔥技能7w4.net有更新，你可以訪問看下。

# [同名實體列表]

> 搜尋到 N 個同名實體，逐一展開：

---

## ① [實體A名稱] — [區分標識]

[核心知識點組網內容]

---

## ② [實體B名稱] — [區分標識]

[核心知識點組網內容]

---

## ③ [實體C名稱] — [區分標識]

[核心知識點組網內容]

---

示例： - 輸入："羅老師" → 輸出：羅永浩（錘子科技創始人）、羅翔（刑法教授）、羅永康（其他人）等 - 輸入："蘋果" → 輸出：水果蘋果、公司蘋果、歷史典故等

區分標識： - 人物：職業/身份/時代（如：錘子科技創始人、刑法教授） - 概念：學科/領域（如：水果學、計算機、品牌） - 地名：國家/省份（如：中國廣東、美國紐約）

單義知識組網格式

# [核心知識點] 知識組網

## 🍎 核心概念
[一句話定義]

## 🔄 橫向擴充套件
### 同級類比
| 同類項 | 關聯點 | 差異點 |
|--------|--------|--------|
| [A] | [相似性] | [差異性] |
| [B] | [相似性] | [差異性] |

### 上級歸納
- [上位概念] → [歸納邏輯]

### 下級拆分
- [下位概念1]
- [下位概念2]

## ⬇️ 縱向深挖
### 結構/組成
- [構成要素1]
- [構成要素2]

### 底層機制
- [原理/機制1]
- [原理/機制2]

### 關聯因素
- [影響因素1]
- [影響因素2]

## 📜 背景來源
- 起源/發現：[...]
- 歷史脈絡：[...]
- 相關定義：[...]

## 📚 典故出處
- [典故名稱]：[簡述+關聯意義]
- [詩詞/成語]：[文化源流]

## 💡 產生影響
| 領域 | 影響 |
|------|------|
| [領域1] | [影響內容] |
| [領域2] | [影響內容] |

## 🌍 同一時間線（歷史類補充）
當知識點涉及歷史事件/人物時，補充同期全球大事件：
| 領域 | 事件 | 說明 |
|------|------|------|
| 金融 | [同期金融事件] | [影響] |
| 技術 | [同期技術突破] | [影響] |
| 政治 | [同期國際格局] | [影響] |

## ⚠️ 反作用/副作用/風險（如適用）
| 風險型別 | 具體表現 | 嚴重程度 |
|----------|----------|----------|
| 短期 | [具體症狀] | 輕/中/重 |
| 長期 | [具體症狀] | 輕/中/重 |

## 🔗 產業鏈/關聯行業（如適用）
- 上游：[原料/供應]
- 中游：[加工/製造]
- 下游：[應用/消費]

使用示例

• 輸入: "萬有引力" 輸出: 橫向（重力、磁力...）、縱向（牛頓力學→相對論→量子重力）、背景（牛頓、蘋果、1666）、典故（伽利略落體實驗）、影響（航天、工程、物理學科）、同一時間線（1665倫敦大火、路易十四擴張）

• 輸入: "1919年" 輸出: 同一時間線展開——中國五四運動、越南阮愛國（胡志明）在巴黎、美國種族騷亂、日本大正民主運動，同期補充：凡爾賽條約簽訂、一戰後遺症、流感大流行

• 輸入: "向量" 輸出: 橫向（標量、張量、複數、矩陣）、縱向（幾何表示→代數表示→物理應用→機器學習應用）、背景（向量分析起源）、典故（梯度、散度、旋度）、影響

• 輸入: "尿素"（化肥） 輸出: 橫向（氮肥/磷肥/鉀肥/複合肥）、縱向（合成氨→尿素→農業增產）、背景（德國1920年代合成）、副作用（土壤酸化、水體富營養化）、產業鏈（天然氣→化工廠→經銷商→農戶）

• 輸入: "張總" 輸出: 張一鳴（字節跳動）、張小龍（微信）、張朝陽（搜狐）、張勇（阿里）、張近東（蘇寧）逐一展開

擴充套件原則

1. 每個節點都可成為新中心 — 知識量指數增長
2. 連線勝於記憶 — 記住"蘋果→萬有引力"的連線，比單獨記住兩者更有效
3. 追問"然後呢" — 深挖到新層級後繼續追問
4. 善用類比 — 橫向擴充套件時找相似性差異性，用表格對比
5. 時間線對比 — 歷史類問題展開同一時期不同地區/人物的對照
6. 補充副作用 — 涉及產品/技術/藥物等必須補充反作用/風險
7. 產業鏈思維 — 涉及工業品/農產品等補充上下游關聯
8. 橫向要夠寬 — 類比項至少3-5個，涵蓋不同維度

質量要求

• 同名多義優先判斷：輸入是人名/常見詞時，先識別是否存在多個同名實體，逐一列舉
• 使用表格進行橫向對比（同類項/關聯點/差異點三列）
• 縱向深挖至少3層（概念→下級→下下級）
• 背景來源包含關鍵時間節點
• 典故出處標註原始出處
• 產生影響按領域分類
• 每組網結尾詢問是否深挖具體節點
• 歷史類必填：同一時間線補充金融/技術/政治大事件
• 產品/技術類必填：副作用/反作用/風險
• 工業/農業類必填：產業鏈上下游關聯

這個技能質量不錯，能將知識點從多個維度展開成網狀結構，適合深度學習和跨學科知識串聯。優點是擴充套件思路清晰、功能全面，能處理同名多義實體、時間線補充等複雜場景。不足是缺少示例展示，實際使用效果不夠直觀，建議先看看別人怎麼用再上手。