knowledge-graph

核心用法

该Skill提供了一套基于Python脚本的知识图谱维护方案，通过命令行工具对本地文件系统中的实体数据进行确定性管理。用户通过python3 skills/knowledge-graph/scripts/kg.py调用脚本，使用add子命令可向指定实体（如people/safa）的特定分类（如status）添加原子化事实，系统会自动生成递增ID（如<slug>-001格式）并追加到items.json数组中。当事实需要更新时，使用supersede命令可通过指定旧事实ID（如safa-002），将其标记为superseded状态，同时创建带有新ID的事实记录，实现历史版本保留而非物理删除。summarize命令则读取所有活跃（非过期）事实，自动聚合生成结构化的summary.md摘要文档。所有操作严格限定在life/areas/目录下，实体路径遵循<kind>/<slug>/的层级结构，确保数据组织的清晰性。

显著优点

首先是极致的安全性，采用纯Python标准库实现，零外部依赖，完全消除了供应链攻击和依赖冲突风险；其次是数据主权保障，所有数据仅存于本地文件系统，无网络传输行为，从根本上规避隐私泄露风险；第三是版本化思维，通过supersede机制实现事实的软删除与历史追溯，符合知识累积的特性，支持学术级别的引用溯源；第四是Git友好性，纯文本JSON和Markdown格式天然支持版本控制，便于diff查看和分支管理；第五是确定性更新，脚本化操作确保数据格式一致性、ID连续性及操作原子性，避免手动编辑JSON导致的语法错误。

潜在缺点或局限性

作为T3来源（个人开发者）的项目，长期维护稳定性和持续更新存在不确定性；功能局限于单机环境，缺乏多用户并发控制机制与文件锁定策略，不适合团队协作或多进程写入场景；无网络同步能力，无法实现跨设备实时数据共享；纯命令行交互方式对非技术用户有学习门槛，缺乏图形化界面和可视化图谱展示；错误提示及文档为英文，本地化支持不足；此外，大规模数据（百万级事实）下的查询性能未经优化，更适合个人知识管理而非企业级知识库应用。

适合的目标群体

适用于注重数据隐私的个人知识管理用户、需要维护实体关系网络的开发者、学术研究者以及希望建立本地化数字花园的技术写作者。特别适合那些对数据版本控制有严格要求、偏好文件化存储方案、且具备基础命令行操作能力的用户。明确不推荐用于需要高并发写入的企业团队环境或需要实时协作的共享知识库场景。

使用风险

尽管安全评级为A级，仍需建立定期备份life/areas/目录的机制以防文件损坏；确保运行用户具备目标目录的读写权限，避免权限不足导致的操作失败；输入实体名称时需严格遵循[a-z0-9-]+正则规范，防止路径遍历风险；由于缺乏并发控制，建议配合Git进行数据版本管理，以缓解潜在的写入冲突问题；此外，虽然脚本无破坏性命令，但错误的supersede操作可能导致事实状态混乱，建议在关键操作前进行数据快照。

knowledge-graph 综合评估

核心用法

knowledge-graph 是一个基于文件系统的轻量级知识图谱管理工具，专为 Clawdbot 设计。它通过内附的 Python 脚本，允许用户以命令行方式在 life/areas/** 目录下安全地添加新事实、取代过时事实（标记为已取代而不是删除）以及重新生成实体摘要。所有事实存储在 items.json 中，实体摘要则自动更新到 summary.md，ID 自动递增并保持一致性。这种设计旨在将知识图谱的更新操作标准化和确定性化，避免手动编辑 JSON 文件时的人为错误。

显著优点

• 完全自包含与高安全性：代码零外部依赖（仅使用 Python 标准库），无任何网络请求或外部 API 调用，彻底杜绝了供应链攻击和数据外泄风险，非常适用于对隐私敏感的环境。
• 优秀的数据完整性保护：采用“永不做删除”的设计哲学，仅通过“取代”（supersede）机制更新事实，保留了完整的知识变更时间线，并为未来的审计和回溯提供了原始记录。
• 严格的路径安全控制：对实体类型和标识符使用正则表达式 [a-z0-9-]+ 进行严格校验，有效防止了路径遍历等常见文件系统攻击，确保脚本仅在声明的 life/areas/ 目录下操作。
• 审计友好的确定性操作：通过命令行脚本执行标准化操作，每一步变更都有据可查，适合需要精确控制知识图谱状态的场景。

潜在缺点或局限性

• 事实内容校验不足：--fact 和 --source 等参数在写入 JSON 前仅进行基础的空白清理，缺乏语义层面的校验或敏感内容过滤。在多用户共享同一工作区的场景下，可能存在低风险的存储型内容注入，从而影响基于该图谱的后续推理。
• 缺少数据管理生命周期接口：技能仅支持添加、取代和汇总操作，缺少管理员专用的数据删除或归档能力，这在 GDPR 等数据隐私法规要求的数据主体删除权场景下是一个功能短板。
• 依赖 Clawdbot 生态：该工具是专为 Clawdbot 的 life/areas/** 目录结构设计的，若脱离该生态使用，需要用户自行适配其目录结构，通用性有限。
• 缺乏自动测试：技能代码库中不包含测试套件，这增加了长期维护和迭代过程中引入逻辑错误或安全退化的风险。

适合的目标群体

该技能非常适合以下用户：

• Clawdbot 的深度用户：希望系统化、自动化地管理个人或项目知识图谱，而不是手动处理 JSON 文件的用户。
• 隐私敏感型开发者与研究者：需要在完全离线、零信任的网络环境中构建和演化个人知识库的用户。
• 需要精确审计追踪的用户：重视知识变更的完整历史记录，希望在数据层面保留如“事实是如何被更新”这类元信息的场景。

使用该技能可能存在的常规风险

• 内容泛化风险：若缺乏使用前的内容规范，过多无效或不准确的事实会被写入图谱，最终在生成 summary.md 时导致摘要质量下降，产生“垃圾进，垃圾出”的效果。
• 存储规模膨胀：“永不做删除”的设计意味着知识图谱文件会持续增长，长期使用可能在大规模、高频次更新场景下带来管理上的不便，尽管对于个人知识库级别的规模通常不会构成问题。
• 权限与依赖风险：作为个人开发者（T3）维护的项目，其源仓库不可公开访问，缺乏社区审计和公开的缺陷跟踪机制。代码的未来维护性、兼容性更新完全依赖于维护者的个人意愿。