ima wiki 编译器 — ima 维基 编译器

知识库 Wiki 编译器 核心理念：用 LLM 作为"知识编译器"，将原始资料一次性编译为结构清晰、内部互联的 Wiki 知识库，而非依赖传统 RAG 的碎片检索拼凑。编译后的 Wiki 是"真理之源"——LLM 直接基于对 Wiki 整体结构的理解进行自检索和回答，知识在系统中持续累积和演化。

整体流程 需求理解与资料收集 — 明确主题边界 检查旧版本 — 判断是否已有知识导览，决定增量更新还是新建 编译生成 — 5步法构建Wiki知识体系（新建或增量更新） 主动维护与迭代

第一步：需求理解与资料收集 判断用户状态： 用户只给了主题？→ 先明确知识库边界和目标 用户已有资料（上传了文件 / 指定了知识库）？→ 直接进入编译 用户想维护已有 Wiki？→ 跳到第三步 明确知识库边界： 确认主题范围（如"量化投资""大模型应用"） 确认目标受众和用途（如"个人研究""团队参考"） 这些决定文件夹层级深度和概念粒度 收集原始资料（"源代码"）： 来源包括：用户上传的文件、已有知识库中的内容、网页文章、公众号文章 此阶段追求完整性，不追求结构——所有资料都是后续编译的"原材料" 如果用户指定了知识库（kb_id），用 get_knowledge_list 逐级浏览并收集所有文件 如果用户资料不足，主动用 search(source="web") 补充关键资料，但需告知用户 确认门： 向用户展示收集到的资料清单和知识库边界，确认后再进入编译。

第二步：检查旧版本 重要：每次编译前必须检查是否已有该主题的知识导览，避免重复创建或丢失历史版本信息。 检查方式 在目标文件夹中搜索标题包含"主题导览"的笔记： curl -s -X POST "https://ima.qq.com/openapi/wiki/v1/get_knowledge_list" \ -H "ima-openapi-clientid: $IMA_OPENAPI_CLIENTID" \ -H "ima-openapi-apikey: $IMA_OPENAPI_APIKEY" \ -H "Content-Type: application/json" \ -d '{"knowledge_base_id": "", "folder_id": "", "count": 50}' | \ python3 -c "import sys,json; data=json.load(sys.stdin); print([f['title'] for f in data.get('data',{}).get('list',[])])" 如果找到"主题导览：xxx"笔记，记录其 note_id 和版本信息 如果没找到，则进入新建流程 判断逻辑 情况 处理方式 已有该主题的旧版本导览 增量更新：读取旧版本内容 → 对比知识库增量 → 更新导览 已有其他主题的导览（非本主题） 新建：按正常流程创建新导览 没有任何知识导览 新建：按正常流程创建新导览

增量更新流程 当存在旧版本时，执行以下步骤： 读取旧版本：调用 export_note 获取旧版本完整内容 提取版本信息：从 YAML front matter 获取 version、changelog 对比知识库：获取文件夹中最新的文件列表，与旧版本"相关主题"章节进行对比 识别增量内容： 新增的文章（需要添加到对应核心概念的关键要素中） 删除的文章（需要从列表中移除） 概念变化（如有新增核心概念） 更新导览内容： 保留原有结构和核心思想 在关键要素中补充新增文章，移除已删除文章 更新"实践建议"部分 更新学习路径（如有新增依赖） 更新版本号： 仅增删文章 → patch +0.0.1 修改关键要素/实践建议 → minor +0.1 结构变化 → major +1.0 追加 changelog：记录本次更新的内容摘要

第三步：编译生成（新建模式） 适用于：首次编译或结构重大调整 步骤1：明确主题 — 确定核心概念 在阅读所有原始资料后，明确： 主题定位：这个知识库要解决什么问题？ 核心概念：有哪些不可分割的基础概念？ 边界范围：什么在范围内，什么不在？ 步骤2：梳理关键词 — 提取关键要素 对每个核心概念，提取： 关键要素：围绕该概念的子主题或相关问题 核心思想：每个要素要传达的1-2句话 步骤3：发现关系 — 找出逻辑关联 建立概念之间的连接： 层级关系：上下级依赖（如：随机过程 → 伊藤积分） 并列关系：同层级互补（如：Alpha因子 || 风险因子） 因果关系：先后依赖（如：因子拥挤 → IC衰减） 对立关系：互斥选择（如：简约模型 vs 复杂模型） 步骤4：呈现结构 — 可视化知识网络 将关系转化为： 知识网络图：用表格形式展示概念关联 推荐路径：按难度/应用场景的学习路线 步骤5：美化优化 — 提升可读性 标题规范：简洁有力，避免冗长 排版美观：合理使用分级标题、列表、空行 信息密度：每个章节有明确的信息承载量 可读性：避免过长的段落，保持节奏

第四步：增量更新模式 适用于：知识库已有该主题旧版本导览，需要增量更新 4.1 读取旧版本 # 导出旧版本笔记内容 curl -s -X POST "https://ima.qq.com/openapi/note/v1/export_note" \ -H "ima-openapi-clientid: $IMA_OPENAPI_CLIENTID" \ -H "ima-openapi-apikey: $IMA_OPENAPI_APIKEY" \ -H "Content-Type: application/json" \ -d '{"note_id":"<旧版note_id>","target_content_format":1}' | \ python3 -c "import sys,json,urllib.request; d=json.load(sys.stdin); url=d['data']['content_url']; req=urllib.request.Request(url); resp=urllib.request.urlopen(req); print(resp.read().decode('utf-8'))" 4.2 提取版本信息 从 YAML front matter 提取： version: 1.0 created: 2026-05-08 updated: 2026-05-08 changelog: - v1.0: 初始版本 4.3 对比知识库增量 获取文件夹最新文件列表，与旧版本对比： # 获取文件夹中的文件列表 curl -s -X POST "https://ima.qq.com/openapi/wiki/v1/get_knowledge_list" \ -H "ima-openapi-clientid: $IMA_OPENAPI_CLIENTID" \ -H "ima-openapi-apikey: $IMA_OPENAPI_APIKEY" \ -H "Content-Type: application/json" \ -d '{"knowledge_base_id": "", "folder_id": "", "count": 100}' | \ python3 -c "import sys,json; data=json.load(sys.stdin); print([f['title'] for f in data.get('data',{}).get('list',[])])" 4.4 识别增量内容 类型 判断方式 更新方式 新增文章 旧版本"四、知识卡片"中不存在 补充到对应核心概念的关键要素中 删除文章 旧版本提及但知识库中已不存在 从列表中移除 概念变化 知识库中出现新的核心概念分类 新增核心概念卡片 4.5 更新导览内容 更新原则： 保留原有结构：不改变核心概念划分方式 更新关键要素：补充/移除文章引用 更新实践建议：根据新增内容调整实践建议 更新学习路径：如有新的依赖关系 4.6 版本号更新 --- version: 1.1 # patch+0.0.1 或 minor+0.1 或 major+1.0 created: 2026-05-08 updated: 2026-05-08 changelog: - v1.1: 增量更新，补充了X篇新文章，更新了关键要素描述 - v1.0: 初始版本 --- 版本号规则： 仅增删文章 → patch +0.0.1 修改关键要素描述或实践