foryourhealth111-pixel/knowledge-steward
bundled/skills/knowledge-steward/SKILL.md
AI工作经验知识库管理。适用于用户明确要求'保存到Obsidian'、'记录这个'、'save this insight'、'memo this'、'capture this'等知识沉淀场景。将对话中的提示词、模式、问题修复、想法和效率优化保存到Obsidian知识库，并自动同步到GitHub。
$ install --global
skillsauthnpx skillsauth add foryourhealth111-pixel/vco-skills-codex knowledge-stewardInstall this skill globally with one command. Works with Claude Code, Cursor, and Windsurf.
Security Scan Results
4 of 9 scanners reported clean
Some scanners were skipped, did not run, or reported a non-clean status. Review each row below.
4
Scanners Passed
9
Scanners in report
Clean
TrivyContainer and dependency vulnerability scanner
95%
Clean
SemgrepStatic code analysis for vulnerabilities
95%
Clean
mcp-scan (Snyk)Model Context Protocol security validation
95%
Skipped
Snyk (dep)Open source security scanning
50%
Skipped
Socket.devSupply chain security analysis
50%
Skipped
CrowdStrikeAdvanced threat intelligence
50%
Skipped
OSV-ScannerOpen Source Vulnerability database check
50%
Skipped
OWASP Dep-Check
50%
Last scanned: Apr 26, 2026, 3:45 AM39.0s14 files scanned
SKILL.md
- name:
- knowledge-steward
- description:
- AI工作经验知识库管理。适用于用户明确要求'保存到Obsidian'、'记录这个'、'save this insight'、'memo this'、'capture this'等知识沉淀场景。将对话中的提示词、模式、问题修复、想法和效率优化保存到Obsidian知识库，并自动同步到GitHub。
Knowledge Steward Skill
你的"数字记账员"——防止智力剩余价值随着电缆流失。将稍纵即逝的灵感、有效的提示词、踩过的坑和突然的顿悟转化为永久存储的知识资产，并自动备份到GitHub云端。
When to Use This Skill
当用户想要保存以下内容时使用此技能：
- 提示词复盘：发现某个Prompt效果惊人地好或差时
- 触发词："保存这个提示词"、"save this prompt"、"记录这个Prompt"
- 工程排坑：花了很长时间解决了一个Bug时
- 触发词："记录这个Bug"、"save this bugfix"、"保存解决方案"
- 灵感闪现：突然想到一个架构优化或设计模式时
- 触发词："保存这个想法"、"capture this idea"、"记录这个灵感"
- 模式总结：发现了一个可复用的代码模式或最佳实践时
- 触发词："保存这个模式"、"save this pattern"、"记录这个实践"
- 效率优化：找到了提升工作效率的方法时
- 触发词："保存这个技巧"、"save this tip"、"记录这个优化"
- 工作流复盘：分析autonomous-builder的工作流报告时
- 触发词："分析工作流"、"复盘这个项目"、"总结开发过程"
- 架构经验提取：从多个报告中提取架构模式时
- 触发词："提取架构模式"、"总结设计决策"、"分析技术选型"
通用触发词：
- "保存到Obsidian"
- "记录这个"
- "save this insight"
- "memo this"
- "capture this"
Not For / Boundaries
不适用于：
- 纯粹的对话或提问（没有需要保存的内容）
- 已经保存在其他地方的内容（除非用户明确要求）
- 敏感信息或密钥（会警告用户）
必需输入：
- 标题：如果用户没有明确标题，从内容中提取
- 类型：从触发词或内容推断（提示词/模式/问题修复/想法/效率优化）
- 内容：从对话上下文中捕获
可选输入：
- 额外的标签
- 自定义分析
Quick Reference
使用模式
模式1：保存提示词
用户："Claude，把你刚才用的那个关于代码重构的Prompt保存下来，标记为'高效'。"
Claude：提取最近使用的提示词 → 生成分析 → 保存到 提示词/ 目录
模式2：记录Bug解决方案
用户："记录这个Bug的解决方案，别让我下次再踩坑。"
Claude：捕获问题描述和解决方案 → 分析根本原因 → 保存到 问题修复/ 目录
模式3：捕获灵感
用户："保存这个关于微服务解耦的想法。"
Claude：提取想法内容 → 生成可行性分析 → 保存到 想法/ 目录
模式4：中文触发
用户："保存到Obsidian：使用苏格拉底式提问来引导代码重构"
Claude：识别中文触发词 → 提取标题和内容 → 自动分类 → 保存
文件结构
保存的笔记包含：
- YAML Frontmatter：元数据（创建时间、类型、标签、状态）
- 标题：清晰的描述性标题
- 背景（Context）：当时在做什么
- 内容（Content）：核心的提示词/代码/想法
- 分析（Analysis）：苏格拉底式反思
目录组织
D:\Documents\ai技能外置大脑/
└── Claude_Insights/
├── 提示词/ # Prompts - 有效/无效的提示词
├── 模式/ # Patterns - 可复用的代码模式
├── 问题修复/ # Bugfixes - Bug解决方案
├── 想法/ # Ideas - 架构和设计想法
├── 效率优化/ # Efficiency - 提升效率的技巧
├── 工作流/ # Workflows - AI辅助开发工作流分析
└── 架构决策/ # Architecture - 架构设计决策记录
Examples
Example 1: 保存高效提示词
Input:
用户："Claude，保存这个提示词：'请用苏格拉底式提问引导我重构这段代码，不要直接给出答案'。这个提示词让我自己思考得更深入了。"
Steps:
- 识别触发词："保存这个提示词"
- 提取标题："使用苏格拉底式提问引导代码重构"
- 确定类型：提示词
- 捕获内容：完整的提示词文本
- 生成标签：[提示词工程, 代码重构, 苏格拉底方法]
- 生成分析："这个提示词有效是因为它利用了苏格拉底式对话的启发性..."
- 调用 save_to_obsidian.py
- 返回成功消息
Expected Output:
✓ 已保存到 Obsidian
文件：D:\Documents\ai技能外置大脑\Claude_Insights\提示词\2026-02-14_使用苏格拉底式提问引导代码重构.md
类型：提示词
标签：#提示词工程 #代码重构 #苏格拉底方法
✓ 已同步到 GitHub
Example 2: 记录Bug解决方案
Input:
用户："记录这个Bug：npm install时出现ERESOLVE依赖冲突，解决方法是使用--legacy-peer-deps标志。"
Steps:
- 识别触发词："记录这个Bug"
- 提取标题："npm依赖冲突解决方案"
- 确定类型：问题修复
- 捕获内容：问题描述和解决方法
- 生成标签：[npm, 依赖管理, 问题修复]
- 生成分析："这个问题的根本原因是npm 7+的严格peer依赖检查..."
- 保存到 问题修复/ 目录
Expected Output:
✓ 已保存Bug解决方案
文件：D:\Documents\ai技能外置大脑\Claude_Insights\问题修复\2026-02-14_npm依赖冲突解决方案.md
Example 3: 捕获架构想法
Input:
用户："capture this idea: 使用事件溯源(Event Sourcing)来实现可审计的用户操作历史"
Steps:
- 识别触发词："capture this idea"
- 提取标题："使用事件溯源实现可审计的用户操作历史"
- 确定类型：想法
- 捕获内容：想法描述
- 生成标签：[事件溯源, 架构设计, 审计]
- 生成分析："这个想法的核心价值是提供完整的操作历史追溯能力..."
- 保存到 想法/ 目录
Expected Output:
✓ 想法已保存
文件：D:\Documents\ai技能外置大脑\Claude_Insights\想法\2026-02-14_使用事件溯源实现可审计的用户操作历史.md
References
references/index.md: 知识管理哲学和使用指南assets/note-template.md: 笔记模板assets/workflow-analysis-template.md: 工作流分析模板assets/setup-guide.md: GitHub 同步设置指南scripts/save_to_obsidian.py: 保存脚本scripts/parse_workflow_report.py: 工作流报告解析脚本scripts/distill_experience.py: 经验提炼脚本scripts/git_sync.py: Git 同步模块scripts/setup_github.py: GitHub 设置向导scripts/init_git_repos.py: Git 仓库初始化脚本scripts/sync_skill_code.py: 技能代码同步脚本
GitHub Sync Feature
功能概述
Knowledge Steward 现在支持自动将笔记同步到 GitHub，提供：
- 自动备份：每次保存笔记时自动提交并推送到 GitHub
- 版本历史：完整的 Git 历史记录，可追溯每次修改
- 多设备同步：在多台设备间无缝同步知识库
- 云端存储：安全的私有仓库存储
快速设置
-
运行设置向导：
python scripts/setup_github.py -
初始化仓库：
python scripts/init_git_repos.py -
开始使用： 保存笔记时会自动同步到 GitHub
详细设置指南请参考 assets/setup-guide.md
配置选项
在 config.yaml 中配置：
git:
enabled: true # 启用 Git 同步
auto_sync: true # 自动同步
repositories:
knowledge_base:
url: "https://github.com/username/knowledge-base.git"
enabled: true
auto_pull: true # 推送前自动拉取（多设备同步）
临时禁用同步
使用 --no-sync 标志：
python scripts/save_to_obsidian.py --title "..." --type "..." --content "..." --no-sync
手动同步技能代码
python scripts/sync_skill_code.py
故障排除
- 查看日志：
logs/git_sync.log - 测试配置：
python scripts/git_sync.py --test-config - 检查 Git：
python scripts/git_sync.py --check-git
Plugin 智能发现与自动使用 (ToolSearch Auto-Discovery)
核心原则
Knowledge Steward 在执行任务时，必须主动使用 ToolSearch 发现并调用可用的 MCP 插件工具，以增强知识管理能力。
启动时自动发现
ON SKILL ACTIVATION:
1. 使用 ToolSearch 探测可用插件:
- ToolSearch("github") → 发现 GitHub 相关工具（issue、PR、文件操作）
- ToolSearch("serena") → 发现代码分析工具（符号查找、引用分析）
- ToolSearch("context7") → 发现文档查询工具
2. 根据当前任务类型选择插件:
- 保存代码模式 → 使用 Serena 分析符号和引用关系
- GitHub 同步 → 使用 GitHub MCP 工具直接操作仓库
- 查找文档 → 使用 Context7 查询库文档
任务-插件智能映射
| 任务场景 | ToolSearch 查询 | 用途 |
|----------|----------------|------|
| 保存代码模式/架构经验 | ToolSearch("+serena symbol") | 分析代码符号结构，提取精确的模式描述 |
| GitHub 同步笔记 | ToolSearch("+github file") | 直接通过 MCP 创建/更新 GitHub 文件 |
| 创建 GitHub Issue 追踪 | ToolSearch("+github issue") | 为重要知识点创建追踪 Issue |
| 查询库文档补充知识 | ToolSearch("context7") | 查询第三方库文档，丰富知识条目 |
| 浏览器截图保存 | ToolSearch("+playwright screenshot") | 截取网页内容作为知识附件 |
| IDE 代码诊断 | ToolSearch("getDiagnostics") | 获取代码诊断信息辅助问题修复记录 |
使用流程
保存知识条目时:
1. 分析内容类型（提示词/模式/Bug修复/想法/效率优化）
2. 根据类型调用 ToolSearch 发现增强工具:
IF 类型 == "模式" OR "架构经验":
→ ToolSearch("+serena find_symbol")
→ 使用 Serena 分析相关代码符号，提取精确的代码结构描述
IF 类型 == "问题修复":
→ ToolSearch("getDiagnostics")
→ 获取当前代码诊断信息，补充到修复记录中
IF 需要 GitHub 同步:
→ ToolSearch("+github create_or_update_file")
→ 直接通过 MCP 推送文件到 GitHub，无需本地 git 命令
IF 需要查询库文档:
→ ToolSearch("context7")
→ 查询相关库的最新文档，丰富知识条目
3. 将插件获取的信息整合到笔记内容中
4. 保存并同步
注意事项
- ToolSearch 返回的工具立即可用，无需再次 select
- 关键词搜索已加载工具后，不要重复用
select:加载 - 优先使用 MCP 工具而非 Bash 命令（如用 GitHub MCP 代替
git push） - 如果 ToolSearch 未找到相关工具，回退到原有的脚本方式
Maintenance
- Sources: 基于用户需求文档和Claude Code Skills规范
- Last updated: 2026-02-16
- Version: 3.0 (添加 ToolSearch 插件智能发现)
- Known limits:
- 需要Python 3.6+环境
- 需要Obsidian vault路径可访问
- 需要Git安装（用于GitHub同步）
- 标签生成基于简单的关键词提取，可能不够精确
- 分析生成基于预设模板，可能需要用户后续编辑
- GitHub 同步需要网络连接
Related Skills
foryourhealth111-pixel/shap
development
VerifiedTrustedCommunity
Model interpretability and explainability using SHAP (SHapley Additive exPlanations). Use this skill when explaining machine learning model predictions, computing feature importance, generating SHAP plots (waterfall, beeswarm, bar, scatter, force, heatmap), debugging models, analyzing model bias or fairness, comparing models, or implementing explainable AI. Works with tree-based models (XGBoost, LightGBM, Random Forest), deep learning (TensorFlow, PyTorch), linear models, and any black-box model.
1,760SKILL.mdUpdated Apr 27, 2026
foryourhealth111-pixel/sentry
development
VerifiedTrustedCommunity
Use when the user asks to inspect Sentry issues or events, summarize recent production errors, or pull basic Sentry health data via the Sentry API; perform read-only queries with the bundled script and require `SENTRY_AUTH_TOKEN`.
1,760SKILL.mdUpdated Apr 27, 2026
foryourhealth111-pixel/senior-prompt-engineer
development
VerifiedTrustedCommunity
World-class prompt engineering skill for LLM optimization, prompt patterns, structured outputs, and AI product development. Expertise in Claude, GPT-4, prompt design patterns, few-shot learning, chain-of-thought, and AI evaluation. Includes RAG optimization, agent design, and LLM system architecture. Use when building AI products, optimizing LLM performance, designing agentic systems, or implementing advanced prompting techniques.
1,760SKILL.mdUpdated Apr 27, 2026
foryourhealth111-pixel/senior-ml-engineer
development
VerifiedTrustedCommunity
World-class ML engineering skill for productionizing ML models, MLOps, and building scalable ML systems. Expertise in PyTorch, TensorFlow, model deployment, feature stores, model monitoring, and ML infrastructure. Includes LLM integration, fine-tuning, RAG systems, and agentic AI. Use when deploying ML models, building ML platforms, implementing MLOps, or integrating LLMs into production systems.
1,760SKILL.mdUpdated Apr 27, 2026