🇬🇧 English version: README.en.md
基于 Karpathy 知识库理念打造的四层知识蒸馏系统 —— 帮你从"信息焦虑收藏党"变成"能沉淀方法论的产出者"。
把你散落在 Obsidian（或任何 markdown 知识库）里的四类内容自动流水线化：
- 输入层：想法碎片 + Clippings（小红书、B 站、微信文章…）
- 蒸馏层：AI 帮你做每日蒸馏、每周复盘、Clipping 提炼、想法追踪、结构性链接建议、输出回流分析、季度审计
- 技能层：从 clippings 自动检测出可复用的 Skill 候选，出评估卡（🔴 强烈建议做 / 🟡 部分适合 / 🟢 不建议单独做），并给出 Level 0-5 升级路线
- 输出层：跟踪你发出去的内容，回流反馈到方法论
- 🤖 可选 LLM 兜底：默认关闭，自己声明任意 OpenAI 兼容供应商就自动上（OpenAI / DeepSeek / 智谱 GLM / 通义 / 火山方舟 / 自搭建都行）
- 🌍 三平台自动化：macOS LaunchAgent / Linux cron / Windows Task Scheduler，一键安装
- 🔒 隐私优先：所有分析本地跑，只有明确配置了才调外部 API
- 📊 9 步全量流水线：
run_all.py一条命令跑完所有蒸馏 - 🛡 只写产物、不改原文：结构性链接建议默认给"待勾选清单"，人工确认才写回
- 💾 诚实标注：AI 补的字段全部标"AI 分析结果"，正则抽的标"原文抽取"，没答案就"待补充"
- Python 3.10+
- 一个 markdown 知识库（推荐 Obsidian，但任何
.md目录都行） - （可选）任意 OpenAI 兼容的 LLM API key
# 1. clone 到本地临时位置
git clone https://github.com/<你的用户名>/knowledge-iteration-system.git
cd knowledge-iteration-system
# 2. 把 scripts/ 复制到你的 Vault 根目录
cp -R scripts /path/to/your/vault/
# 3. 复制 .env.example 到 Vault 根，改名 .env 并填 API key（可选，不填也能跑）
cp .env.example /path/to/your/vault/.env
# 编辑 .env 填入你的 LLM API key
# 4. 进入 Vault 目录做首次预检
cd /path/to/your/vault
python3 scripts/setup_preflight.py --create-missingsetup_preflight 会：
- 检测你现有目录结构，看能否映射到四层
- 缺少的四层子目录只创建缺失的（不覆盖你的已有目录）
- 生成
.knowledge-iteration-system.json记录配置 - 生成
📚 知识迭代系统说明.md放到 Vault 根
cd /path/to/your/vault
python3 scripts/run_all.py9 步流水线依次跑完：
[1/9] daily_distill 每日蒸馏
[2/9] weekly_review 每周复盘
[3/9] idea_tracker 想法成熟度追踪
[4/9] clipping_refiner Clippings 卡片化提炼
[5/9] skill_detector Skill 候选检测（AI 兜底）
[6/9] link_suggester 结构性链接建议
[7/9] skill_upgrader Skill 升级路线图
[8/9] feedback_loop 输出反馈回流
[9/9] quarterly_audit 季度资产审计
从 v0.2 开始，自动化不再只处理“每日蒸馏”，而是为 8 个任务分别注册独立调度。默认时间：
| 任务 | 默认触发时间 |
|---|---|
每日知识蒸馏 daily_distill |
每天 21:00 |
想法成熟度追踪 idea_tracker |
每天 21:05 |
Clippings 提炼 clipping_refiner |
每天 21:10 |
Skill 候选检测 skill_detector |
每天 21:15 |
结构性链接建议 link_suggester |
每天 21:20 |
输出反馈回流 feedback_loop |
每天 21:25 |
每周知识复盘 weekly_review |
每周日 14:00 |
季度知识健康审计 quarterly_audit |
季度最后一天 12:00 |
日常每日任务错开 5 分钟，避免 LLM API 扎堆、日志也更容易看。
python3 scripts/setup_preflight.py --ask-tasks会弹一个类似下面的选单：
【自动化任务清单】
| 任务 | 触发时间 | 启用 |
|------|----------|------|
| 每日知识蒸馏 | 每天 21:00 | ✅ |
...
选项：
Y 按上表默认时间全部安装（推荐）
e 逐项编辑（可禁用/改时间）
n 不安装任何自动化任务
选完后跑对应平台的安装器，把配置处理成真实的系统定时任务：
# macOS
bash scripts/install_automation.sh # 预览：--dry-run；卸载：--uninstall
# Linux
bash scripts/install_automation_linux.sh
# Windows (PowerShell)
.\scripts\install_automation.ps1 # 预览：-DryRun；卸载：-Uninstall# 把每日蒸馏改到 22:30 触发
python3 scripts/setup_preflight.py --set-task daily_distill=22:30
# 禁用反馈回流 & Skill 检测
python3 scripts/setup_preflight.py --disable-task feedback_loop --disable-task skill_detector
# 把每周复盘改到周一 15:00
python3 scripts/setup_preflight.py --set-task-dow weekly_review=1 --set-task weekly_review=15:00
# 看当前所有任务的时间
python3 scripts/setup_preflight.py --list-tasks改完后重跑一次 install_automation.*，新时间就会生效（安装器会先 bootout 旧任务、再重建）。
- macOS / Linux：
scripts/logs/<task_key>.log+<task_key>.error.log - Windows：同上。
--set-daily-interval 1/2/3/4 仍可用且会写入 dailyIntervalDays 字段，但新 installer 优先读取 automation.tasks。建议新安装均改用 per-task 接口。
安装后你的 Vault 会长这样：
Your Vault/
├── scripts/ ← 从本仓库复制
├── .env ← 你的 LLM 配置（.gitignore 已排）
├── .knowledge-iteration-system.json ← 系统配置
├── 📚 知识迭代系统说明.md ← 首页文档
├── 第一层：输入层 (Inbox)/
│ ├── 想法/灵感集/
│ └── Clippings/
├── 第二层：蒸馏层 (Distilled)/
│ ├── 每日蒸馏/ ← daily_distill.py
│ ├── 每周复盘/ ← weekly_review.py
│ ├── 想法追踪/ ← idea_tracker.py
│ ├── Clippings提炼/ ← clipping_refiner.py
│ ├── 结构性链接建议/ ← link_suggester.py
│ ├── 输出回流分析.md ← feedback_loop.py
│ ├── 输出回流建议.md
│ └── Q3_YYYY_知识资产审计.md ← quarterly_audit.py
├── 第三层：技能层 (Skills)/
│ ├── 待整理/EVAL_*.md ← skill_detector.py（Skill 候选评估卡）
│ ├── Skill 升级路线图.md ← skill_upgrader.py
│ └── _drafts/ ← 你手工写的 Skill 草稿
└── 第四层：输出层 (Output)/
└── 已发表/ ← 记录你发到各平台的内容
默认关闭。不预设任何供应商，需要你自己声明。
向你选定的 LLM 供应商拿以下 3 项（供应商必须提供 OpenAI 兼容的 /chat/completions 接口）：
| 字段 | 含义 | 示例 |
|---|---|---|
KIS_LLM_BASE_URL |
API 根地址（一般以 /v1、/v3、/paas/v4 结尾） |
https://api.openai.com/v1 |
KIS_LLM_MODEL |
模型名，必须是该供应商列表里的一个 | gpt-4o-mini |
KIS_LLM_API_KEY |
供应商颁发的 API Key | sk-... |
把它们写进 Vault 根目录的 .env（拷贝 .env.example 改名即可）：
KIS_LLM_BASE_URL=<你的供应商 base url>
KIS_LLM_MODEL=<模型名>
KIS_LLM_API_KEY=<你的 key>验证配置：python3 scripts/kis_llm.py（会打印 READY 或 DEGRADED）。
部分供应商不支持 response_format={"type":"json_object"}（如火山方舟 Ark plan endpoint 的 ark-code-latest），会报 InvalidParameter / BadRequest。遇到时在 .env 里加一行：
KIS_LLM_DISABLE_JSON_MODE=1prompt 里已经明确要求 JSON，脚本仍能正常解析。
skill_detector里 Section 2（服务谁·用在哪·达到什么效果）和 Section 3（Skill 形态）全走 AI 分析feedback_loop抽样总结发布内容特点（可关，默认关）
隐私边界：
- 只有你明确调
--llm=auto|api才会走 API - 每篇内容单独发一个 request，不会批量泄露整个 Vault
- 响应缓存在本地
.kis-cache/（.gitignore已排）
换 provider：改 .env 里的 BASE_URL / MODEL / API_KEY 就行，任何 OpenAI 兼容接口都可以。完整可选供应商示例（OpenAI / DeepSeek / 智谱 / 火山方舟 Ark 等）见 .env.example。
SKILL.md— Skill 使用契约、AI 行为约定references/architecture.md— 四层架构详细设计references/config-schema.md— 配置文件格式references/workflow-map.md— 每个脚本干什么、什么时候跑references/maturity-model.md— Skill 成熟度 Level 0-5references/scoring-rubric.md— 内容价值评分标准references/cross-platform.md— 跨平台注意事项templates/— 所有报告的 markdown 模板
如果你的 Vault 在 iCloud Drive / OneDrive / Dropbox / Google Drive / 百度网盘同步空间 / 坚果云等云同步目录下：
- 首次跑
run_all.py时确认云同步没在锁文件 - 定时任务跑之前建议先让同步稳定
- 详见
references/cross-platform.md里的云同步警告章节
Q：不配 LLM 能跑吗？
A：能。skill_detector 会退化到纯正则模式，其他 8 个脚本本来就不需要 LLM。
Q：跑一次要多久？ A：不用 LLM 通常 < 30 秒；用 LLM 且候选 ≥ 30 篇时约 10-15 分钟（受 API 速率限制）。
Q：脚本会改我的原文件吗？
A：不会。所有产物都在新文件里。唯一例外是 link_suggester.py --apply-approved 会往你勾选的 clipping 末尾追加一段受管理的"相关链接"块（用注释包裹，下次重跑会替换而不重复）。
Q：怎么卸载？
A：跑对应平台的 install_automation.* --uninstall。手动删 scripts/ 目录也可以，不会残留后台进程。
设计灵感来自 Andrej Karpathy 关于"个人知识库如何避免变成信息坟场"的思考。
贡献 & 反馈：欢迎提 issue 讨论新脚本、新模板、新平台适配！