你的文档不该只是"被总结"。它们该被编译成一座可推理的知识体系。
English | 中文
一个 Claude Code 技能 — 把 PDF、图片、Word、Excel、视频丢给它，自动编译成结构化 Markdown 维基 + 交互式知识图谱。
跨文档矛盾检测、知识融合、深度推理链 — 不只是检索，而是推理。
如果你遇到以下场景，Knowledge Pipeline 就是为你设计的。
你读了 30 篇论文，记了笔记、标注了重点 — 但三个月后想找"A 和 B 论文对某问题到底有没有矛盾"时，你只能一篇篇重新翻。ChatGPT 和 NotebookLM 解决不了这个问题 — 它们是无状态的，每次会话从零开始。
→ Knowledge Pipeline 每次摄入自动合并到已有知识网络，累积不丢失，矛盾检测实时触发。
你想知道"这 5 份审计报告的安全策略有什么异同？"或者"医学文献里的临床判断模式，与工程架构决策有什么共通之处？" — 答案分散在不同文档中，没有任何一篇在直接讨论你的问题。
→ RAG 只能检索文本片段拼接。Knowledge Pipeline 在编译好的概念网络中推理出答案，即使没有文档直接讨论这个话题。
你不信任黑盒向量数据库 — 你需要看到知识是怎么组织的，需要能浏览每个实体和概念页面，需要手动修正 AI 的判断。
→ 所有知识存储为结构化 Markdown（Obsidian 兼容），可浏览、可编辑、可版本控制。没有黑盒。
你不想把数据发到 Google 或 OpenAI 的服务器。你需要选择自己的 LLM 提供商，甚至用本地 Ollama。
→ 完全本地运行，支持任何 OpenAI 兼容 API（DeepSeek、火山引擎、Together AI、Ollama 等）。
| ChatGPT / Claude 文件上传 | Knowledge Pipeline | |
|---|---|---|
| 📄 知识积累 | 每次会话重新上传，不积累 | 一次摄入，永久积累 |
| 🔗 跨文档关联 | 只检索相关片段拼接 | 自动构建实体和概念网络 |
| 不会主动发现矛盾 | 摄入时立即报告冲突 | |
| 🔄 知识融合 | 不存在，每次独立 | 新文档自动合并到已有页面 |
| 🧭 多源视角 | 只给一个综合答案 | 展示每个源的立场 + 共识与分歧 |
| 💾 中间表示 | 黑盒，用户不可见 | Markdown 维基，可浏览可编辑 |
| NotebookLM | Knowledge Pipeline | |
|---|---|---|
| 🌐 运行位置 | Google 云端，数据上传到 Google | 本地运行，数据不出机 |
| 🔧 LLM 选择 | 仅 Google Gemini | 任意 OpenAI 兼容 API / 本地 Ollama |
| 无 | 主动跨源矛盾检测 | |
| 🔗 知识融合 | 无，源文档独立 | 自动实体/概念合并 |
| 📊 知识图谱 | 无 | 交互式 vis.js 图谱 + 社区检测 |
| 🧠 推理链 | 无 | BFS 深度推理链 + 可视化 |
| 📁 可导出性 | 锁定在 Google 生态 | 纯 Markdown 文件，Obsidian/Git 兼容 |
| 📦 格式支持 | PDF、文本、网页 | PDF/图片/视频/Word/Excel/PPT/HTML |
| 传统 RAG | Knowledge Pipeline | |
|---|---|---|
| 工作原理 | 切片 → 向量化 → 检索相似片段 | 编译 → 结构化知识网络 → 推理 |
| 回答依据 | 文本碎片相似度匹配 | 概念网络中的关系推理 |
| 跨文档能力 | 弱 — 只是把更多碎片扔进上下文 | 强 — 实体/概念页面跨源自动合并 |
| 矛盾处理 | 不感知，可能给出矛盾答案 | 主动检测并报告 |
| 中间表示 | 向量数据库（不可读） | Markdown 维基（人类可读可编辑） |
| 开发成本 | 需要写代码搭 pipeline | 5 个斜杠命令，零代码 |
| 新文档适配 | 需要重新索引 | 增量摄入，自动融合 |
一句话总结：
- ChatGPT/Claude = 对话工具，每次从零开始
- NotebookLM = 文档阅读器，单项目单次使用，锁定 Google
- 传统 RAG = 搜索引擎，在碎片中查找
- Knowledge Pipeline = 知识编译器，把文档编译成可推理的知识体系
你：丢进去 18 份文档（论文 + 审计报告 + 新闻 + 照片 + 视频）
AI：✅ 编译完成 → 23 个实体页面 + 36 个概念页面 + 3 处矛盾
你：问一个没有任何文档直接讨论的问题 —
"AI 在 2026 年真的会引起程序员失业吗？"
RAG 做法：搜索"程序员失业"相关文本碎片 → 找不到 → 用自身知识泛泛而谈
KP 做法：在概念网络中推理 →
• 论文的"算法编码"+ Claude Code 的"25亿美元 ARR" → AI 正在大规模替代编码工作
• 论文的"不对称相似度发现"= 创造性洞察 → 无法被自动化
• 医学的"临床判断"≈ 工程的"架构决策" → 需要上下文推理的工作不会消失
结论：不是"失业"，而是"分层淘汰" — 带引用、带推理链、带知识图谱可视化
本质区别：RAG 在文档碎片中搜索答案，Knowledge Pipeline 在知识体系中推理答案。
npx skills add YesIamGodt/knowledge-pipline自动安装到 ~/.agents/skills/knowledge-pipline/（并 symlink 到 ~/.claude/skills/），Claude Code 启动后立即可用。
npx skills add 会安装技能文件，但不会自动注册斜杠命令。安装后运行：
Windows（CMD）：
node "%USERPROFILE%\.agents\skills\knowledge-pipline\scripts\install-commands.mjs"Windows（PowerShell）：
node "$HOME\.agents\skills\knowledge-pipline\scripts\install-commands.mjs"macOS / Linux：
node ~/.agents/skills/knowledge-pipline/scripts/install-commands.mjs这会将五个斜杠命令注册到 ~/.claude/commands/，让你可以在任何项目中使用 /pipeline-config、/pipeline-ingest、/pipeline-query、/pipeline-graph、/pipeline-lint。
git clone https://github.com/YesIamGodt/knowledge-pipline.git
cd knowledge-pipline
node scripts/install-commands.mjs将仓库 clone 到本地，运行安装脚本注册斜杠命令。
| 依赖 | 说明 |
|---|---|
| Python 3.9+ | 核心运行环境 |
| 一个多模态 LLM API | OpenAI / DeepSeek / 火山引擎 / 本地 Ollama 均可 |
| Claude Code（推荐） | 作为 Agent 宿主运行技能 |
# 安装 Python 依赖
pip install openai pymupdf python-docx openpyxl python-pptx beautifulsoup4 pillow
# 可选：视频处理
pip install opencv-python首次使用时，在 Claude Code 中运行 /pipeline-config，按交互向导配置 LLM API。
或手动创建配置文件：
// ~/.claude/skills/knowledge-pipline/.llm_config.json
{
"base_url": "https://api.openai.com/v1",
"model": "gpt-4o-mini",
"api_key": "sk-your-key-here"
}📋 支持的 LLM 提供商
| 提供商 | base_url | 模型示例 |
|---|---|---|
| OpenAI | https://api.openai.com/v1 |
gpt-4o-mini |
| DeepSeek | https://api.deepseek.com/v1 |
deepseek-chat |
| 火山引擎 | https://ark.cn-beijing.volces.com/api/coding/v3 |
doubao-* |
| Together AI | https://api.together.xyz/v1 |
meta-llama/* |
| Ollama（本地） | http://localhost:11434/v1 |
llama3.2 |
/pipeline-ingest /path/to/research-paper.pdf
/pipeline-ingest ./meeting-notes.docx
/pipeline-ingest ./product-screenshot.png
| 格式 | 支持 | 处理方式 |
|---|---|---|
| ✅ | 文本 + 表格 + 图片多模态理解 | |
| 🖼️ 图片 | ✅ | Claude 多模态视觉 / OCR |
| 🎬 视频 | ✅ | 关键帧提取 + 画面理解 + 音频转写 |
| 📝 Word | ✅ | 文本 + 表格 + 格式 |
| 📊 Excel | ✅ | 多工作表 + 数据清理 |
| 📽️ PPT | ✅ | 幻灯片内容 + 图片 |
| 🌐 HTML | ✅ | 正文提取 |
| 📄 Markdown/Text | ✅ | 直接读取 |
普通工具：每次摄入覆盖旧内容。
Knowledge Pipeline：如果"OpenAI"的实体页面已存在，新文档的信息会被智能合并进去 — 保留旧信息、追加新发现、标注矛盾。你的知识只增不减。
不等你来问。每次摄入新文档后自动扫描：
============================================================
📋 主动矛盾检测报告
============================================================
## ⚠️ 矛盾发现
- [paper-A] "GPT-4 在代码生成任务上准确率 92%"
与 [paper-B] "GPT-4 代码生成准确率仅 78%" 矛盾
— 差异可能源于评估基准不同
## ✅ 跨源佐证
- [paper-A] 和 [report-C] 都提到 "RAG 可降低 40% 幻觉率"
— 增强该观点可信度
============================================================
/pipeline-query "transformer 模型的主要创新是什么？"
回答不止给你结论，还展示多源视角：
## 多源视角
- [[attention-paper]]: 注意力机制是核心创新，取代 RNN
- [[bert-paper]]: 预训练 + 微调范式才是关键贡献
- [[gpt-survey]]: 规模定律（Scaling Laws）更为根本
## 共识与分歧
✅ 多源共识：自注意力机制显著提升并行计算效率（3 源佐证）
⚠️ 观点分歧：核心贡献是架构创新还是训练范式（2 源分歧）
❓ 单源独有：混合专家（MoE）可能是下一代架构（仅 1 源）/pipeline-graph
生成自包含的 graph.html — 打开浏览器即可交互探索：
- 节点填充色按类型着色（源 / 实体 / 概念）
- 节点边框色按社区聚类着色（Louvain 检测）
- 边区分显式链接和推断关系
- 支持搜索和缩放
/pipeline-ppt "AI安全趋势分析"
/pipeline-ppt "竞品对比" --theme apple --pages 10
一句话把 Wiki 知识库变成交互式 PPT：
- 🧠 LLM 智能编排 — 自动从知识库中提取要点，规划幻灯片结构
- 🎨 5 种主题风格 — 深色科技 / 亮色清新 / Apple 极简 / 暖色复古 / 极简黑白，一键切换
- 📖 每页标注来源 — 每张幻灯片底部标注 Wiki 来源页面，可追溯
- ⌨️ 键盘导航 — ←→ 翻页 · F 全屏 · Home/End 首尾页
- 📄 自包含 HTML — 一个文件，发给任何人直接打开
再也不用花 2 小时做 PPT 了。你只需要说"帮我用这些知识做一个安全分析 PPT"。
wiki/
├── index.md # 全局索引 — 每次摄入自动更新
├── overview.md # 活体综述 — 所有源的综合
├── claims.json # 主张数据库 — 跨源矛盾检测的基础
├── sources/ # 每个源文档一个摘要页
│ ├── attention-is-all-you-need.md
│ └── quarterly-report-q1.md
├── entities/ # 自动生成的实体页面
│ ├── OpenAI.md
│ └── TransformerModel.md
├── concepts/ # 自动生成的概念页面
│ ├── RAG.md
│ └── KnowledgeFusion.md
└── syntheses/ # 查询答案归档
└── main-innovations.md
用 Obsidian 打开 wiki/ 目录 — [[wikilinks]] 原生支持，图谱模式即时可用。
/pipeline-ingest paper1.pdf → "Transformer 用注意力机制取代 RNN"
/pipeline-ingest paper2.pdf → "BERT 的预训练范式更关键"
/pipeline-ingest paper3.pdf → "Scaling Laws 才是根本"
/pipeline-query "核心创新是什么？" → 三篇论文的观点对比 + 共识与分歧
/pipeline-graph → 概念关系可视化
读 50 篇论文后，你拥有的不是 50 个文件，而是一座互相交叉引用的知识体系。
/pipeline-ingest openai-blog.md
/pipeline-ingest anthropic-report.pdf
/pipeline-ingest google-deepmind-paper.pdf
/pipeline-query "三家公司在安全方面的策略对比"
→ 自动展示每家公司的立场、共识点和分歧点
/pipeline-ingest chapter-01.md → 主题/人物页面自动创建
/pipeline-ingest chapter-02.md → 新信息合并到已有页面
/pipeline-ingest chapter-10.md → 自动发现前后矛盾
/pipeline-query "主角的动机如何演化？"
/pipeline-ingest 会议纪要.docx
/pipeline-ingest 客户访谈.pdf
/pipeline-ingest 产品路线图.xlsx
/pipeline-query "客户最常提到的需求是什么？"
/pipeline-lint → "项目 X 被 5 个文档提及但没有专属页面"
你：/pipeline-ingest D:\docs\raw
AI：✅ 批量摄入完成 (18个文件)
📄 sources: 硕士论文×4, 安全审计×3, 事件报告×2, RAG技术×1, 照片×3, 视频×1 ...
🧑 entities: 23 个 (华为云, Anthropic, 林加锋, 汤涛, 南京邮电大学 ...)
💡 concepts: 36 个 (RAG, 群组融合, 安全审计, 室性早搏, 图神经网络 ...)
⚠️ 矛盾: 3 处跨源声明冲突
你：/pipeline-query AI在2026年真的会引起程序员失业吗？
AI：## AI 对程序员就业的影响
### 来自维基的直接证据
1. [[claude-code-leak]]: Claude Code ARR 已达 25 亿美元，AI 编程工具大规模商用
2. [[group-fusion-method]]: 学术论文的编码工作正是 AI 最擅长替代的部分
3. [[security-incident-brief]]: 安全审计仍需人工对业务上下文的深度理解
### 综合判断
✅ 共识：初级编码工作将大幅减少
⚠️ 分歧：高级系统设计是否受影响
❓ 未知：AI 原生开发范式何时成为主流
你：/pipeline-graph
AI：📊 图谱统计:
提取边: 289 条 (来自 [[wikilinks]])
推断边: 81 条 (LLM 语义推断)
总 计: 370 条边, 80 个节点, 6 个社区
✅ 图谱构建完成 → 打开 graph/graph.html 查看
你：/pipeline-lint
AI：🏥 维基健康报告
❌ 断链 2 处: [[不存在的页面]]
⚠️ 孤立页面 1 个: concepts/都市景观.md
💡 建议: "华为" 在 5 个页面被引用但缺少专属实体页面
你：/pipeline-ppt "AI安全趋势分析" --theme apple
AI：📑 Live PPT Generator
📚 Reading 18 sources, 23 entities, 36 concepts
🧠 Generated 10 slides
✅ Saved to graph/liveppt.html
🌐 Opened in browser
→ 打开浏览器即可演示：←→翻页 · F全屏 · 5种主题实时切换
→ 每页底部标注 Wiki 来源，可追溯
→ 自包含 HTML，直接发给同事
安装后，你将获得 六个核心斜杠命令，在 Claude Code 任意项目中可用：
配置知识管道使用的 LLM API 信息。首次使用前必须运行。
/pipeline-config交互向导引导你：
- 选择提供商（OpenAI / 自定义兼容端点 / Ollama）
- 输入 base_url、模型名称、API 密钥
- 配置保存到技能目录下的
.llm_config.json
将文档摄入到知识维基。支持 PDF、图片、视频、Word、Excel、PPT、HTML、Markdown 等格式。
/pipeline-ingest "D:\docs\research-paper.pdf"
/pipeline-ingest "/home/user/meeting-notes.docx"
/pipeline-ingest "C:\Users\me\Desktop\screenshot.png"必须使用绝对路径。摄入时自动执行：
- 解析多模态内容（文本 + 图片 + 表格）
- 知识融合：新信息合并到已有实体/概念页面
- 主动矛盾检测：与已有 claims 对比，报告冲突
- 更新索引、概览、日志
基于已摄入的文档进行多源聚合查询。
/pipeline-query "transformer 模型的核心创新是什么？"
/pipeline-query "各来源对 AI 安全的观点有什么分歧？"查询结果包含：
- 多源视角：每个源文档对同一问题的不同观点
- 共识与分歧：多源一致 ✅ / 观点分歧
⚠️ / 单源独有 ❓ - [[wikilink]] 引用到具体页面
生成交互式 vis.js 知识图谱可视化。
/pipeline-graph输出：
graph/graph.json— 节点 + 边 + 社区数据graph/graph.html— 浏览器打开即可交互探索
基于知识维基自动生成交互式 HTML 演示文稿。
/pipeline-ppt "AI安全趋势分析"
/pipeline-ppt "竞品对比" --theme apple --pages 10
/pipeline-ppt "项目总结" --sources claude-code-leak,rag-tech --open参数：
--pages N— 指定幻灯片数量（默认自动）--theme— dark / light / apple / warm / minimal--sources— 指定使用的源文档（逗号分隔 slug）--open— 生成后自动在浏览器打开
输出：graph/liveppt.html — 自包含 HTML，发给任何人直接打开。
检查知识维基的完整性和一致性。
/pipeline-lint检查项：
- 孤立页面 — 无入链的页面
- 断链 — 指向不存在页面的 [[wikilink]]
- 矛盾 — 跨页面声明冲突
- 缺失实体 — 被多次提及但无专属页面
- 数据空白 — 建议补充的新源
| 说什么 | 等同于 |
|---|---|
配置 LLM API / configure |
/pipeline-config |
摄入 <文件> / ingest <file> |
/pipeline-ingest |
查询 <问题> / query: <question> |
/pipeline-query |
构建图谱 / build graph |
/pipeline-graph |
做PPT / 生成演示 / make ppt |
/pipeline-ppt |
检查 / lint |
/pipeline-lint |
也可脱离 Claude Code 独立使用：
python tools/pipeline_ingest.py <file> # 摄入
python tools/pipeline_query.py "<question>" # 查询
python tools/pipeline_query.py "<q>" --auto-save # 查询并自动保存
python tools/pipeline_query.py "<q>" --rc # 深度推理链查询
python tools/pipeline_lint.py # 检查
python tools/build_graph.py # 构建图谱
python tools/pipeline_ppt.py "主题" --open # 生成 Live PPT
python tools/pipeline_config.py # 配置在查询时加上 --rc 标志，会基于知识图谱进行 BFS 路径搜索，展示知识节点之间的推理路径：
python tools/pipeline_query.py "不对称相似度和群组融合有什么关系？" --rc效果：
- 终端：输出带有 emoji 类型标签的推理链（💡概念 → 📄源 → 🏢实体）
- 浏览器：自动生成并打开
graph/reasoning.html，包含交互式推理子图 + 综合答案面板
在
/pipeline-query斜杠命令中，当你提到"推理链"、"推理路径"、"深度分析"等关键词时，agent 会自动添加此标志。
PIPELINE_PDF_STRATEGY=fast|balanced|accurate # PDF 处理策略
LLM_CONFIG_JSON=/path/to/.llm_config.json # 自定义配置路径┌─────────────────────────────────────────────────────────┐
│ 用户（自然语言） │
├─────────────────────────────────────────────────────────┤
│ Claude Code Agent │
│ 读取 SKILL.md / CLAUDE.md 指令 │
├──────────┬──────────┬──────────┬──────────┬──────────────┤
│ Ingest │ Query │ Lint │ Graph │ Config │
├──────────┴──────────┴──────────┴──────────┴──────────────┤
│ BM25 检索 │ Wikilink 解析 │ Claims DB │ 知识融合引擎 │
├─────────────────────────────────────────────────────────┤
│ 多模态处理器（PDF / 图片 / 视频 / Office / HTML） │
├─────────────────────────────────────────────────────────┤
│ LLM API (OpenAI-compatible) │
└─────────────────────────────────────────────────────────┘
↕ ↕ ↕
wiki/ (Markdown) claims.json graph/graph.html
欢迎 PR 和 Issue。
MIT License — see LICENSE for details.