Skill Graphs > SKILL.md：从单文件到知识图谱的进化

作者: Heinrich (@arscontexta)
来源: https://x.com/i/status/2023957499183829467
整理时间: 2026-02-18

📖 核心观点

人们低估了结构化知识的力量。 它启发了全新的应用类型。

现在的技能文件（SKILL.md）往往只捕捉单一功能：

  • 一个技能用于总结
  • 一个技能用于代码审查
  • …

问题：单一文件无法承载真正的深度。

🎯 什么是 Skill Graph？

Skill Graph（技能图谱） 是一个由多个技能文件组成的网络，通过 wikilinks 相互连接。

核心概念

传统 SKILL.md Skill Graph
单一大文件 多个小型可组合片段
单一功能 深度知识网络
线性阅读 图谱遍历
静态注入 动态上下文发现

示例：治疗技能图谱

想象一下治疗技能图谱，包含：

  • 认知行为模式
  • 依恋理论
  • 积极倾听技巧
  • 情绪调节框架
  • …

单一文件无法容纳这些，但技能图谱可以。

🏗️ Skill Graph 架构

文件结构

skill-graph/
├── index.md          # 索引：入口点，指向 attention
├── MOCs/             # Maps of Content：组织子主题
│   ├── cognitive-patterns.md
│   ├── therapy-techniques.md
│   └── ...
├── nodes/            # 独立技能节点
│   ├── cbt-basics.md
│   ├── active-listening.md
│   ├── attachment-theory.md
│   └── ...
└── assets/           # 图片、附件

渐进式披露 (Progressive Disclosure)

index → descriptions → links → sections → full content

大部分决策发生在阅读完整文件之前。

🔗 Wikilinks 的力量

文本中的有意义的链接

Wikilinks 不只是引用，它们编织在散文中，携带意义：

当患者表现出 [[cognitive-distortions|cognitive distortion patterns]] 时，
治疗师应使用 [[socratic-questioning]] 技巧引导其重新审视...

效果：

  • Agent 理解何时跟随链接
  • Agent 理解为什么跟随链接
  • 跳过不相关的内容

YAML Frontmatter

每个节点都有 YAML 描述，Agent 可以扫描而无需阅读完整文件：

---
title: "Cognitive Behavioral Therapy Basics"
description: "Core principles of CBT including thought records and behavioral activation"
tags: [therapy, cbt, cognitive]
---

🧠 递归发现模式

Skill Graph 在图谱内部递归应用相同的技能发现模式。

遍历示例

  1. 入口：Index 文件描述整体景观
  2. 导航：Agent 读取 Index，理解有哪些子主题
  3. 选择：根据当前对话，跟随相关链接
  4. 深入：进入 MOC 或具体技能节点
  5. 组合：从多个节点拉取上下文

💡 实际应用场景

1. 交易技能图谱

trading/
├── index.md
├── risk-management/
│   ├── position-sizing.md
│   ├── stop-loss-strategies.md
│   └── [[portfolio-diversification]]
├── market-psychology/
│   ├── fear-and-greed.md
│   ├── sentiment-analysis.md
│   └── [[behavioral-finance|behavioral patterns]]
└── technical-analysis/
    ├── chart-patterns.md
    └── [[indicators|indicator interpretation]]

2. 法律技能图谱

legal/
├── contract-patterns/
├── compliance-requirements/
├── jurisdiction-specifics/
└── precedent-chains/

3. 公司知识图谱

company/
├── org-structure/
├── product-knowledge/
├── processes/
├── onboarding-context/
├── culture/
└── competitive-landscape/

共同点：

  • 单一文件无法容纳
  • 但都能作为图谱工作

🛠️ 构建方法

方法 A：使用 arscontexta 插件（推荐）

arscontexta 是一个 Claude Code 插件，教你构建知识系统。

# 安装插件
# 选择研究预设
# 指向任何主题

它会为你设置 Markdown 文件夹结构，然后你用 /learn 和 /reduce 填充。

方法 B：手动构建（比你想象的简单）

关键：一个 Index 文件 告诉 Agent 什么存在以及如何遍历。

Index 文件示例

# Knowledge Work Skill Graph

## Core Methodologies
- [[zettelkasten]] — Connected note-taking for idea development
- [[evergreen-notes]] — Writing that compounds over time
- [[progressive-summarization]] — Layered knowledge extraction

## Cognitive Tools
- [[mental-models]] — Thinking frameworks for better decisions
- [[first-principles]] — Deconstructing problems to fundamentals
- [[systems-thinking]] — Understanding interconnections

## Implementation
- [[spaced-repetition]] — Long-term memory retention
- [[incremental-reading]] — Processing large volumes efficiently

注意：Index 不是查找表，而是指向 attention 的入口点。

节点文件示例

---
title: "Zettelkasten"
description: "A method of note-taking and knowledge management that emphasizes connections between ideas"
---

# Zettelkasten

The Zettelkasten method, developed by Niklas Luhmann, is a [[knowledge-management]] system based on:

1. **Atomic notes** — One idea per note
2. **Unique identifiers** — Each note has a permanent address
3. **Linking** — Notes reference each other forming a [[knowledge-graph]]

When implementing Zettelkasten, consider:
- [[note-taking-best-practices]] for capture
- [[linking-conventions]] for navigation
- [[periodic-reviews]] for maintenance

## Related Concepts
- [[evergreen-notes]] — Similar emphasis on lasting value
- [[digital-garden]] — Public sharing of connected notes

📊 arscontexta 示例

arscontexta 本身就是一个技能图谱：

  • ~250 个 连接的 Markdown 文件
  • 教 Agent 如何构建技能图谱
  • （实际上是关于构建知识库，但原理相同）

涵盖：

  • 认知科学
  • Zettelkasten
  • 图谱理论
  • Agent 架构

每个片段链接到其他片段，可组合，整个图谱可遍历。

🎓 关键洞察

上下文工程的本质

Skills are context engineering, basically curated knowledge injected where it matters.

Skill Graphs 是下一步：

  • 不是单一注入
  • Agent 导航知识结构
  • 拉取当前情况恰好需要的内容

智能的区别

这是 遵循指令的 Agent 与 理解领域的 Agent 之间的区别。

🔮 未来方向

可能的演进

  1. 自动图谱构建：AI 自动从对话中发现并组织知识节点
  2. 动态权重：根据使用频率和效果调整节点重要性
  3. 跨图谱链接：不同领域的 Skill Graphs 相互引用
  4. 可视化界面：图形化展示和编辑知识网络

🏷️ 相关概念

概念 说明
Zettelkasten 德国社会学家卢曼的卡片盒笔记法
MOC (Map of Content) 内容地图，组织相关主题的入口
Wikilinks [[page-name|display-text]] 格式链接
Progressive Disclosure 渐进式披露，按需展示信息
Atomic Notes 原子笔记，一个想法一个笔记
Knowledge Graph 知识图谱，实体和关系网络

🔗 资源

  • 原文: https://x.com/i/status/2023957499183829467
  • 作者: Heinrich (@arscontexta)
  • 工具: arscontexta Claude Code 插件
  • 理念: Zettelkasten + Agent 架构 + 知识图谱

💭 总结

Skill Graphs 代表了从单文件到知识网络的进化。

不是让你的 Agent 记住更多，而是让它：

  • 🧭 导航 知识景观
  • 🎯 发现 相关上下文
  • 🔗 组合 多个技能
  • 📚 理解 整个领域

这就是下一代 Agent 能力的基础。

🏷️ 标签

#AI #Agent #SkillGraph #KnowledgeBase #Zettelkasten #ClaudeCode #arscontexta #Wikilinks #知识图谱 #上下文工程