Knowledge Graph

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

核心用法

Knowledge Graph Skill 是一套完整的本地知识管理系统，通过Node.js CLI脚本实现个人知识图谱的持久化存储与智能检索。用户首先需要运行 node scripts/install.mjs 完成初始化，该脚本会自动检测平台（OpenClaw/Claude/Gemini）并注入相应的Agent指令。

日常使用遵循"主动捕获"原则：当对话中出现人物、项目、设备、组织、决策、API密钥、关系依赖、概念原理、偏好观点、地点位置、生活事件、习惯规律、知识文献或操作经验时，系统自动触发知识抽取。数据以紧凑的KGML格式存储，支持find、traverse、rels等基础查询，以及children、type、cat、orphans、stats、recent、timeline等高级查询命令。

深度提取是核心能力之一。通过depth-check.mjs脚本评估内容复杂度（0-7分），自动推荐提取层级：简单内容1层，标准内容2层，复杂内容4层以上。系统会提取所有命名实体、组织、事件、政策及交叉关系，而非仅保留主题标签。Vault模块提供AES-256-GCM加密存储，用于安全保管敏感凭证。

可视化输出通过visualize.mjs生成自包含离线HTML，蓝色虚线表示父子层级，红色实线表示关联关系。每周或实体数超80时建议运行consolidate.mjs进行数据整理。

显著优点

零依赖安全架构：纯Node.js标准库实现，无npm包依赖，彻底消除供应链攻击风险，这是同类工具中极为罕见的安全设计。

纯本地隐私保障：所有数据存储于本地data/目录，无网络请求、无外发数据，配合AES-256-GCM加密Vault，满足GDPR/CCPA合规要求。

深度语义提取：独创的Depth Heuristic机制，根据内容复杂度动态调整提取深度，确保知识粒度与信息密度平衡，避免过度简化或冗余。

跨Agent协同：通过reader.mjs提供只读接口，其他Agent可安全访问知识图谱，实现团队级别的知识共享，同时保持写入权限隔离。

自包含可视化：生成的HTML无需CDN、完全离线可用，适合敏感环境下的知识呈现。

智能合并与去重：Levenshtein距离算法自动建议相似实体合并，支持absorb/nest两种合并模式，维护图谱整洁。

潜在缺点与局限性

技术门槛较高：需要Node.js环境，CLI操作对非技术用户不够友好，缺乏图形化界面。

存储格式专有：KGML为自定义格式，与RDF、Neo4j等标准图谱格式不互通，生态隔离。

缩放瓶颈：JSON文件存储在实体数激增时可能面临性能瓶颈，虽配置中提供compactThreshold等调优参数，但未明确支持分片或外部数据库后端。

无协作机制：虽有跨Agent读取能力，但缺乏真正的多用户实时协作、冲突解决或版本控制功能。

记忆导入置信度：自动导入的记忆实体默认置信度0.5，需要人工复核，增加维护成本。

适合的目标群体

技术型知识工作者：开发者、研究员、咨询师等需要管理复杂项目关系、技术决策、调试经验的人群。

隐私敏感用户：对数据主权有严格要求，拒绝云服务托管个人知识的用户。

多Agent协作场景：使用OpenClaw、Claude Code、Gemini CLI等多种AI工具，需要统一知识底座的团队。

长期学习记录者：希望系统性积累领域知识、建立个人知识库的学习者。

使用风险

Vault密钥丢失风险：.vault-key文件丢失将导致加密数据不可恢复，需用户自行备份，Skill本身无云备份机制。

安装脚本注入风险：install.mjs会修改CLAUDE.md等Agent指令文件，虽经安全审计确认无害，但用户应了解此行为。

性能与规模限制：默认配置在实体数超400时进入compact模式，深度缩减为1层，可能影响复杂查询体验。

无内置备份机制：JSON文件虽可git管理，但Skill未提供自动备份或导出策略，数据依赖用户主动维护。

输入验证边界：虽经审计无路径遍历风险，但超长输入可能导致性能问题，建议遵循配置中的长度限制。