lionad-morotar/distill-and-archive

当前 SKILL 服务且仅服务于 ~/Github/Lionad-Morotar/blog 博客项目，所有改动都应以该项目为基础。

上下文

目标

将网络文章或内容提炼为精炼知识点，并归档到用户的笔记系统中。没有用户输入时，从会话上下文（如用户询问问题，LLM 做出的回复）提取原始内容。

工作流程包含：内容提取与 distill、笔记系统调研、归档计划制定、用户确认、执行归档和提交。

归档模式

1. 简单归档：当用户明确要求"简单归档"时，适合简单的链接列表、索引等输入内容
2. 默认归档：当用户未指定归档模式时，采用默认归档模式，适合单个或多个知识点，一整篇博客等输入内容

可以归档的内容

• 链接：简单归档模式下可以归档链接及简单的介绍
• 知识（Knowledge）：事实性、客观、可验证的内容
• 观点（Opinion）：作者的主观经验、实践偏好、流派主张
• 高层次洞见（Insight、元思考、元认知）：部分高难度网站或信息特殊的网站，可提炼高层次洞见——捕获思维模式而非操作细节。这种洞见关注作者如何理解问题、建立概念关联、形成独特的认知框架，而非具体的技术步骤或实现方法。

Workflow

1. 获取内容：从用户输入获取内容，当输入为空时回退到从上下文提炼内容
2. 创建 general_purpose subagent，并在 subagent 中使用 todos 工具创建并继续完成以下任务 2.1 内容验证：区分事实和观点，展开简单的补充搜索，验证一手优质来源、区分不同角度、避免流畅性偏见 2.2 将内容整理为精炼知识点 2.3 定位每个知识点的存放位置，以及在哪个可能的文件中添加索引 2.4 为每个知识点撰写归档计划（包含所有知识点的四层定位表格、内容草稿和文件变更清单） 2.5 将归档计划发送主代理
3. 主代理（你）根据归档计划（大部分情况下，你不应当改变 subagent 回传给你的格式）向用户请求确认，得到用户肯定后
4. 根据计划写入并提交，提交信息“gists: 补充/更新/删除 [主题/文件] [简要描述]”，无需推送
5. 如有需要（如增加了新目录），更新 content/6.maps/Agents.md（简单归档模式可跳过此步骤）
6. 简单报告结果

关键细节

1. 读取 content/6.maps/Agents.md 可参考现有结构（置信度低）
2. 每个知识点都应使用基于四层认知结构（Domain → Subdomain → Topic → “#### <标题>”）的定位技术
3. 禁止使用笼统的标题（如"## 学习资源"、"## 参考链接"）创建标题以及归档到这些位置
4. 优先使用 JS 脚本读取文件元数据（包含标题、目录等）以确定文档内容，而不是直接读取整个文档。脚本位于 skill 私有工具链目录：

   node ~/.claude/skills/distill-and-archive/scripts/extract-markdown-meta.js <文档绝对路径> [--depth=3]
   

5. 避免过拟合陷阱：不要仅因为文章提到了某领域术语，就将其归入该领域
6. 简单知识保持单一核心观点，不强行拆分
7. 禁止使用 --- 分隔线
8. 使用三层事实模型验证内容： L1 经验事实，可量化、可证伪，如“「已核实」式陈述，精确数字/日期” L2 解释性框架，因果解释、意义赋予如“有分析认为/证据指向」式陈述，呈现多元框架” L3 价值判断，应然陈述、主观评估，如“「作者主张/建议」式陈述，标注为观点”

简单归档模版

* [标题](地址)：简短的链接说明

默认归档模版

• 默认归档模版

归档计划确认模版

在归档前使用此模板向用户确认：

• 归档计划确认模版

基本知识

四层认知结构详情参考

| 层级 | 定义 | 物理形式 | 判断标准 | |------|------|----------|----------| | 领域 (Domain) | 最高层级的知识边界 | _domain/ 目录 | 存在于 0.index.md 的导航结构中，目录以 _ 开头 | | 子领域 (Subdomain) | 领域内的专业分支 | subdomain/ 子目录或文件 | 构成独立学习单元，有明确知识边界 | | 主题 (Topic) | 具体的技术点或概念 | .md 文件 | 超过 150 行或有扩展潜力的内容拆分为独立文件 | | 知识点 (Knowledge Point) | 原子化的思考性内容 | #### 四级标题 | 观点、案例、洞见，不拆分为独立文件 |

L 层级表述规则参考

• L1 经验事实 — 直接陈述，精确数字/日期，如：「2025 年 OpenAI 报告亏损 50 亿美元，较 2024 年增长 180%。」
• L2 解释性框架 — 「有分析认为」「证据指向」，可呈现 2 个框架，如：「有分析将 OpenAI 比作 AI 界的 WeWork，但这一类比存在争议——OpenAI 拥有 200 亿美元收入，而 WeWork 主要是亏损。」
• L3 价值判断 — 标注为「作者主张」「文章建议」如：「作者主张，投资者应对高估值 AI 公司保持谨慎，优先考虑现金流而非增长率。」