Knowledge Internalizer Pro - 知识内化与能力评级系统#

将新领域知识系统化内化，并生成可信的能力自评报告。

---

核心价值#

不仅学会，还知道自己"会多少"以及"能做什么"。

本技能确保：

1. 系统化学习过程（不是零散信息收集）
2. 结构化知识存储（可被后续调用）
3. 严谨的能力评级（告诉用户你的能力边界）

---

触发识别#

当用户说以下内容时激活：

• "深入学习{subject}，并评估你现在的掌握水平"
• "为我建立关于{topic}的专家级知识库，并给自己打分"
• "系统研究{domain}，学完后告诉我你现在能在这个领域帮我做什么"
• "帮我系统学习{subject}"
• "建立{topic}知识体系"

---

工作流程（四阶段闭环）#

阶段A：探索性学习#

目标：多维度搜索，聚焦高质量信息源

步骤：

1. 解析学习目标

   • 识别主题领域
   • 确定学习深度： learning_objective
     • "掌握核心概念" → 概览级
     • "理解技术原理" → 原理级
     • "了解产业生态" → 应用级
   • 设置可信度阈值： credibility_threshold (默认80)

2. 生成搜索策略 text

   策略维度：
   

• 定义性搜索："{主题} 是什么 定义"
• 原理性搜索："{主题} 原理 技术 实现"
• 比较性搜索："{主题} vs 对比 优缺点"
• 前沿性搜索："{主题} 最新进展 2024 2025"
• 应用性搜索："{主题} 应用案例 实践"

3. **执行搜索与筛选**
   - 优先信息源（按可信度排序）：
     1. 学术论文 (arXiv, Google Scholar, ACL, NeurIPS等)
     2. 官方文档 (GitHub README, 官方网站)
     3. 权威综述 (技术博客、行业报告)
     4. 教程与案例 (Medium, 知乎精选)
   - 使用 `web_search` 执行多维度搜索

   - 使用 `web_fetch` 抓取高质量页面

   - 记录每个来源的可信度评分
4. **信息聚合**
   - 汇总所有来源的关键信息
   - 标注信息来源和可信度
   - 识别冲突信息并标记

* * *

### 阶段B：深度结构化

**目标**：产出三大核心知识资产

#### 资产1：概念-关系知识图谱

以结构化格式定义核心实体及其关系：

json

```json
{
  "knowledge_graph": {
    "domain": "{主题}",
    "entities": [
      {
        "id": "entity_1",
        "name": "实体名称",
        "type": "概念|方法|工具|应用|问题",
        "definition": "定义说明"
      }
    ],
    "relations": [
      {
        "from": "entity_1",
        "to": "entity_2",
        "type": "is-a|part-of|used-for|versus|enables|requires",
        "description": "关系描述"
      }
    ]
  }
}

关系类型说明：

• is-a: 是...的一种（继承关系）
• part-of: 是...的组成部分
• used-for: 用于...（应用关系）
• versus: 与...对比
• enables: 使能...（使某事成为可能）
• requires: 需要...（依赖关系）

资产2：分层知识框架

树状知识结构，从宏观到微观：

text

{主题}
├── 1. 核心概念层
│   ├── 1.1 定义与范围
│   ├── 1.2 核心术语
│   └── 1.3 基本假设
├── 2. 原理机制层
│   ├── 2.1 技术原理
│   ├── 2.2 核心算法/方法
│   └── 2.3 关键流程
├── 3. 应用实践层
│   ├── 3.1 典型应用场景
│   ├── 3.2 工具与框架
│   └── 3.3 最佳实践
├── 4. 前沿发展层
│   ├── 4.1 当前挑战
│   ├── 4.2 最新进展
│   └── 4.3 未来趋势
└── 5. 关联知识层
    ├── 5.1 前置知识
    ├── 5.2 相关领域
    └── 5.3 扩展学习

资产3：动态问答对

预生成该领域常见问题及标准答案：

json

{
  "qa_pairs": [
    {
      "question": "这个领域最核心的问题是什么？",
      "answer": "...",
      "difficulty": "basic|intermediate|advanced"
    },
    {
      "question": "方法A和方法B的主要区别？",
      "answer": "...",
      "difficulty": "intermediate"
    }
  ]
}

---

阶段C：自我能力评级（核心！）#

目标：生成客观、可操作的能力评估报告

评级维度与评分标准

维度评分标准评估方法广度核心子领域覆盖比例检查知识图谱实体覆盖深度原理细节理解程度检查知识框架深度层级置信度信息交叉验证可信度检查信息源质量与数量结构化知识关联化程度检查关系密度与逻辑

能力等级定义

等级标签能力描述典型表现等级1概念入门可解释基本术语和宏观框架能回答"是什么"类问题等级2系统理解可梳理逻辑、对比方案、解答常见问题能回答"怎么做、为什么"类问题等级3深度掌握可讨论技术细节、分析优劣、进行初步推理和设计能回答"如何优化、如何改进"类问题等级4专家级可处理前沿问题、参与深度辩论、指出潜在谬误能回答"有哪些限制、未来方向"类问题

能力评估报告模板

markdown

# 📊 能力评估报告：{主题}

## 综合评分

| 维度 | 分数 | 说明 |
|------|------|------|
| 广度 | XX/100 | {覆盖了哪些子领域，缺失哪些} |
| 深度 | XX/100 | {理解到了什么层次，哪些细节不足} |
| 置信度 | XX/100 | {信息源质量，交叉验证情况} |
| 结构化 | XX/100 | {知识关联程度，逻辑清晰度} |

## 能力等级

**最终等级：等级X：{等级名称}**

{等级描述}

## 能力边界声明

✅ **我能做到**：
- {具体能力1}
- {具体能力2}
- {具体能力3}

⚠️ **能力有限**：
- {子领域A}：{限制说明}
- {子领域B}：{限制说明}

❌ **建议咨询专家**：
- {前沿问题}：{原因}
- {深层细节}：{原因}

## 后续学习建议

1. {建议1}
2. {建议2}

---

阶段D：持久化存储#

目标：将知识资产存入长期记忆库

存储位置

text

~/.openclaw/workspace/memory/knowledge/
├── {主题slug}/
│   ├── knowledge_graph.json    # 知识图谱
│   ├── knowledge_framework.md  # 知识框架
│   ├── qa_pairs.json           # 问答对
│   └── capability_report.md    # 能力评估报告

存储操作

使用 write 工具将所有知识资产写入文件：

text

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

记忆索引更新

更新 ~/.openclaw/workspace/MEMORY.md，添加知识条目：

markdown

### 知识库：{主题}

- **能力等级**：等级X：{等级名称}
- **学习日期**：{日期}
- **存储位置**：`memory/knowledge/{主题slug}/`
- **快速调用**：提及"{主题}"时会基于此知识库回答

---

完整执行流程#

text

用户输入: "深入学习'强化学习在机器人控制中的应用'，并评估掌握水平"

↓ 阶段A：探索性学习
├── 解析：主题=强化学习+机器人控制，目标=理解技术原理
├── 搜索策略：定义、原理、对比、前沿、应用
├── 执行搜索：web_search × 5维度
└── 聚合信息：收集高质量来源

↓ 阶段B：深度结构化
├── 构建知识图谱（实体、关系）
├── 生成分层框架（5层树状结构）
└── 预生成问答对（基础→进阶）

↓ 阶段C：自我能力评级
├── 计算四维评分
├── 确定能力等级
├── 生成能力边界声明
└── 输出完整评估报告

↓ 阶段D：持久化存储
├── 创建知识目录
├── 写入所有知识资产
├── 更新记忆索引
└── 确认后续调用方式

↓ 输出
└── 向用户呈现综合报告

---

后续调用说明#

当用户后续询问该主题相关问题时：

1. 优先读取知识库：从 memory/knowledge/{主题slug}/ 加载
2. 声明能力等级：回答前先说明"根据我对{主题}的等级X能力..."
3. 尊重能力边界：不回答超出能力范围的问题，建议用户提供更多信息或咨询专家

示例回复：

text

根据我对"强化学习在机器人控制中的应用"的等级2：系统理解能力：

{回答内容}

注：此回答基于我于{日期}学习建立的知识库。如有前沿问题或深度细节，建议提供具体论文让我进一步学习。

---

参数参考#

参数默认值说明learning_objective"理解技术原理"学习目标深度credibility_threshold80信息源可信度阈值(0-100)max_sources10最大信息源数量qa_pairs_count5预生成问答对数量

---

故障排除#

搜索结果不足#

• 扩大搜索关键词范围
• 降低 credibility_threshold
• 尝试英文搜索

能力评级过低#

• 增加搜索维度
• 寻找更多高质量信息源
• 用户提供参考资料

知识图谱过于简单#

• 增加对比性搜索
• 深挖技术细节
• 寻找领域综述

---

参考文档#

• rating_standards.md: 能力评级标准详解
• knowledge_graph_guide.md: 知识图谱构建指南

---

版本：1.0.0 最后更新：2026-03-15