Knowledge Internalizer Pro - 知识内化与能力评级系统
将新领域知识系统化内化，并生成可信的能力自评报告。
核心价值
不仅学会，还知道自己"会多少"以及"能做什么"。
本技能确保：
- 系统化学习过程（不是零散信息收集）
- 结构化知识存储（可被后续调用）
- 严谨的能力评级（告诉用户你的能力边界）
触发识别
当用户说以下内容时激活：
- "深入学习{subject}，并评估你现在的掌握水平"
- "为我建立关于{topic}的专家级知识库，并给自己打分"
- "系统研究{domain}，学完后告诉我你现在能在这个领域帮我做什么"
- "帮我系统学习{subject}"
- "建立{topic}知识体系"
工作流程（四阶段闭环）
阶段A：探索性学习
目标：多维度搜索，聚焦高质量信息源
步骤：
-
解析学习目标
- 识别主题领域
- 确定学习深度：
learning_objective- "掌握核心概念" → 概览级
- "理解技术原理" → 原理级
- "了解产业生态" → 应用级
- 设置可信度阈值：
credibility_threshold(默认80)
-
生成搜索策略
策略维度： - 定义性搜索："{主题} 是什么 定义" - 原理性搜索："{主题} 原理 技术 实现" - 比较性搜索："{主题} vs 对比 优缺点" - 前沿性搜索："{主题} 最新进展 2024 2025" - 应用性搜索："{主题} 应用案例 实践" -
执行搜索与筛选
-
优先信息源（按可信度排序）：
- 学术论文 (arXiv, Google Scholar, ACL, NeurIPS等)
- 官方文档 (GitHub README, 官方网站)
- 权威综述 (技术博客、行业报告)
- 教程与案例 (Medium, 知乎精选)
-
使用
web_search执行多维度搜索 -
使用
web_fetch抓取高质量页面 -
记录每个来源的可信度评分
-
-
信息聚合
- 汇总所有来源的关键信息
- 标注信息来源和可信度
- 识别冲突信息并标记
阶段B：深度结构化
目标：产出三大核心知识资产
资产1：概念-关系知识图谱
以结构化格式定义核心实体及其关系：
{
"knowledge_graph": {
"domain": "{主题}",
"entities": [
{
"id": "entity_1",
"name": "实体名称",
"type": "概念|方法|工具|应用|问题",
"definition": "定义说明"
}
],
"relations": [
{
"from": "entity_1",
"to": "entity_2",
"type": "is-a|part-of|used-for|versus|enables|requires",
"description": "关系描述"
}
]
}
}
关系类型说明：
is-a: 是...的一种（继承关系）part-of: 是...的组成部分used-for: 用于...（应用关系）versus: 与...对比enables: 使能...（使某事成为可能）requires: 需要...（依赖关系）
资产2：分层知识框架
树状知识结构，从宏观到微观：
{主题}
├── 1. 核心概念层
│ ├── 1.1 定义与范围
│ ├── 1.2 核心术语
│ └── 1.3 基本假设
├── 2. 原理机制层
│ ├── 2.1 技术原理
│ ├── 2.2 核心算法/方法
│ └── 2.3 关键流程
├── 3. 应用实践层
│ ├── 3.1 典型应用场景
│ ├── 3.2 工具与框架
│ └── 3.3 最佳实践
├── 4. 前沿发展层
│ ├── 4.1 当前挑战
│ ├── 4.2 最新进展
│ └── 4.3 未来趋势
└── 5. 关联知识层
├── 5.1 前置知识
├── 5.2 相关领域
└── 5.3 扩展学习
资产3：动态问答对
预生成该领域常见问题及标准答案：
{
"qa_pairs": [
{
"question": "这个领域最核心的问题是什么？",
"answer": "...",
"difficulty": "basic|intermediate|advanced"
},
{
"question": "方法A和方法B的主要区别？",
"answer": "...",
"difficulty": "intermediate"
}
]
}
阶段C：自我能力评级（核心！）
目标：生成客观、可操作的能力评估报告
评级维度与评分标准
| 维度 | 评分标准 | 评估方法 |
|---|---|---|
| 广度 | 核心子领域覆盖比例 | 检查知识图谱实体覆盖 |
| 深度 | 原理细节理解程度 | 检查知识框架深度层级 |
| 置信度 | 信息交叉验证可信度 | 检查信息源质量与数量 |
| 结构化 | 知识关联化程度 | 检查关系密度与逻辑 |
能力等级定义
| 等级 | 标签 | 能力描述 | 典型表现 |
|---|---|---|---|
| 等级1 | 概念入门 | 可解释基本术语和宏观框架 | 能回答"是什么"类问题 |
| 等级2 | 系统理解 | 可梳理逻辑、对比方案、解答常见问题 | 能回答"怎么做、为什么"类问题 |
| 等级3 | 深度掌握 | 可讨论技术细节、分析优劣、进行初步推理和设计 | 能回答"如何优化、如何改进"类问题 |
| 等级4 | 专家级 | 可处理前沿问题、参与深度辩论、指出潜在谬误 | 能回答"有哪些限制、未来方向"类问题 |
能力评估报告模板
# 📊 能力评估报告：{主题}
## 综合评分
| 维度 | 分数 | 说明 |
|------|------|------|
| 广度 | XX/100 | {覆盖了哪些子领域，缺失哪些} |
| 深度 | XX/100 | {理解到了什么层次，哪些细节不足} |
| 置信度 | XX/100 | {信息源质量，交叉验证情况} |
| 结构化 | XX/100 | {知识关联程度，逻辑清晰度} |
## 能力等级
**最终等级：等级X：{等级名称}**
{等级描述}
## 能力边界声明
✅ **我能做到**：
- {具体能力1}
- {具体能力2}
- {具体能力3}
⚠️ **能力有限**：
- {子领域A}：{限制说明}
- {子领域B}：{限制说明}
❌ **建议咨询专家**：
- {前沿问题}：{原因}
- {深层细节}：{原因}
## 后续学习建议
1. {建议1}
2. {建议2}
阶段D：持久化存储
目标：将知识资产存入长期记忆库
存储位置
~/.openclaw/workspace/memory/knowledge/
├── {主题slug}/
│ ├── knowledge_graph.json # 知识图谱
│ ├── knowledge_framework.md # 知识框架
│ ├── qa_pairs.json # 问答对
│ └── capability_report.md # 能力评估报告
存储操作
使用 write 工具将所有知识资产写入文件：
write(path="~/.openclaw/workspace/memory/knowledge/{主题slug}/knowledge_graph.json", content=...)
write(path="~/.openclaw/workspace/memory/knowledge/{主题slug}/knowledge_framework.md", content=...)
write(path="~/.openclaw/workspace/memory/knowledge/{主题slug}/qa_pairs.json", content=...)
write(path="~/.openclaw/workspace/memory/knowledge/{主题slug}/capability_report.md", content=...)
记忆索引更新
更新 ~/.openclaw/workspace/MEMORY.md，添加知识条目：
### 知识库：{主题}
- **能力等级**：等级X：{等级名称}
- **学习日期**：{日期}
- **存储位置**：`memory/knowledge/{主题slug}/`
- **快速调用**：提及"{主题}"时会基于此知识库回答
完整执行流程
用户输入: "深入学习'强化学习在机器人控制中的应用'，并评估掌握水平"
↓ 阶段A：探索性学习
├── 解析：主题=强化学习+机器人控制，目标=理解技术原理
├── 搜索策略：定义、原理、对比、前沿、应用
├── 执行搜索：web_search × 5维度
└── 聚合信息：收集高质量来源
↓ 阶段B：深度结构化
├── 构建知识图谱（实体、关系）
├── 生成分层框架（5层树状结构）
└── 预生成问答对（基础→进阶）
↓ 阶段C：自我能力评级
├── 计算四维评分
├── 确定能力等级
├── 生成能力边界声明
└── 输出完整评估报告
↓ 阶段D：持久化存储
├── 创建知识目录
├── 写入所有知识资产
├── 更新记忆索引
└── 确认后续调用方式
↓ 输出
└── 向用户呈现综合报告
后续调用说明
当用户后续询问该主题相关问题时：
- 优先读取知识库：从
memory/knowledge/{主题slug}/加载 - 声明能力等级：回答前先说明"根据我对{主题}的等级X能力..."
- 尊重能力边界：不回答超出能力范围的问题，建议用户提供更多信息或咨询专家
示例回复：
根据我对"强化学习在机器人控制中的应用"的等级2：系统理解能力：
{回答内容}
注：此回答基于我于{日期}学习建立的知识库。如有前沿问题或深度细节，建议提供具体论文让我进一步学习。
参数参考
| 参数 | 默认值 | 说明 |
|---|---|---|
learning_objective | "理解技术原理" | 学习目标深度 |
credibility_threshold | 80 | 信息源可信度阈值(0-100) |
max_sources | 10 | 最大信息源数量 |
qa_pairs_count | 5 | 预生成问答对数量 |
故障排除
搜索结果不足
- 扩大搜索关键词范围
- 降低
credibility_threshold - 尝试英文搜索
能力评级过低
- 增加搜索维度
- 寻找更多高质量信息源
- 用户提供参考资料
知识图谱过于简单
- 增加对比性搜索
- 深挖技术细节
- 寻找领域综述
参考文档
- rating_standards.md: 能力评级标准详解
- knowledge_graph_guide.md: 知识图谱构建指南
版本：1.0.0 最后更新：2026-03-15