核心用法
Knowledge Graph Skill 是一套完整的个人知识图谱解决方案，以 JSON 格式存储实体与关系，通过 Node.js CLI 脚本实现全生命周期管理。
核心工作流：
1. 自动触发采集 — 识别对话中的人、项目、设备、组织、决策、偏好等11类信息，主动提取入图
2. 结构化存储 — 实体含类别、类型、属性、层级关系；关系独立维护，支持跨分支关联
3. KGML 摘要 — 每次会话自动生成紧凑的图谱摘要，注入 Agent 上下文
4. 多元查询 — 支持 find/traverse/rels 基础查询，以及 children/type/cat/orphans/stats/timeline 等高级检索
5. 深度评估 — 通过 depth-check.mjs 评估内容复杂度，0-7分指导提取层级（1-4+层）
6. 可视化输出 — 生成自包含离线 HTML，父节点蓝虚线、普通边红实线
7. Vault 隔离 — 凭证密钥独立加密存储，与图谱数据物理分离
显著优点
- 主动设计：不等待用户指令，自动识别并提取知识，显著降低记忆负担
- 结构严谨：层级+关系双维度，支持复杂网络表达（如"A 拥有 B，B 运行在 C 上，C 依赖 D"）
- 跨会话持久：JSON 存储 + 自动摘要注入，实现长期记忆连续性
- 安全隔离：Vault 机制确保密钥不出现在日志和上下文中
- 可视化友好：一键生成可交互的力导向图，离线可用
- 可配置深度：从快速记录到深度论文提取，灵活调整粒度
潜在缺点与局限
- 技术门槛：需 Node.js 环境，非技术用户配置困难
- 存储格式锁定：JSON 虽通用但缺乏标准化，与其他图谱系统（如 RDF、Neo4j）互操作需转换
- 冲突解决弱：merge/nest 功能存在，但无自动冲突检测与版本控制
- 规模限制：JSON 文件线性增长，数千实体后性能可能下降（无索引机制）
- 中文支持存疑：文档全英文，NER 和相似度计算（Levenshtein）对中文优化不明
适合人群
- 技术背景研究者、开发者、知识工作者
- 需要追踪复杂项目依赖、组织关系、个人习惯模式的用户
- 重视数据主权、偏好本地优先（local-first）方案的隐私敏感者
- 愿意投入初期配置时间以换取长期知识复利的人群
常规风险
- 数据丢失：JSON 文件损坏或误删导致知识图谱丢失，需定期备份
- 隐私泄露：尽管 Vault 隔离，图谱本身可能包含敏感关系信息（如"某人住在某地"）
- 过度采集风险：自动触发机制可能导致噪音累积，需定期运行 consolidate 清理
- 置信度漂移：auto-import 的 memory 实体置信度仅 0.5，长期未复核可能污染图谱
- 平台锁定：AGENTS.md/CLAUDE.md/GEMINI.md 多平台适配但实际深度绑定特定生态