Token导航 LogoToken导航

Agent Skill · 效率

personal-knowledge-capture(个人知识捕获)

personal-knowledge-capture 用于整理文档、README、Markdown 和说明材料,适合在 OpenClaw 中需要把零散信息整理成结构清晰的文档时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态,以及是否会触发联网、命令执行或文件读写。

personal-knowledge-capture 是效率类 Agent Skill,可用宿主为 OpenClaw,通过ClawHub获取,权限为权限未标注;许可证为 MIT-0,第三方扫描已通过,按安装量在效率类的 21,003 个 Skill 里排第 11,661。

总安装 4,484周安装 185GitHub Stars 公开资料未说明下载 1,465核验 2026-05-01

安装说明

本站只整理中文说明,不托管安装包,也不代用户安装。
GitHub
许可证
MIT-0
版本
1.0.0

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手,先确认命令和权限,再让它执行。

请帮我安装这个 Agent Skill:personal-knowledge-capture(个人知识捕获)
来源仓库:https://github.com/qy-zhang/personal-knowledge-capture
安装命令:
openclaw skills install personal-knowledge-capture
安装前请先检查当前环境是否支持对应 CLI,并向我确认将要执行的命令、安装目录、联网范围和文件读写权限;确认后再执行。

命令行安装

复制命令到本机终端执行。该命令会通过 OpenClaw 从第三方来源获取 Skill;本站只展示命令,不托管安装包,也不自动执行。

ClawHubOpenClaw
openclaw skills install personal-knowledge-capture

这个 Skill 是做什么的

效率类 Skill 把重复的整理、汇总、转换工作交给助手完成,减少手工复制粘贴。

个人知识捕获将对话内容转化为结构化笔记并加入自适应复习系统。适用于需要长期记忆沉淀与定期回顾的学习型用户。支持触发词识别与题库自动生成功能。安装命令为 openclaw skills install personal-knowledge-capture,需确认文件写入权限。使用前请核实笔记分类逻辑与隐私隔离机制。

上手步骤

4 步
  1. 1

    确认自己的宿主工具

    公开资料标注支持 OpenClaw;先确认自己用的是其中之一,再按对应工具的 Skills 目录放置。

  2. 2

    拿到安装命令

    可以直接复制的命令是 openclaw skills install personal-knowledge-capture;命令里的占位符换成自己的路径或密钥再执行。

  3. 3

    安装后重启宿主

    命令执行完要完全退出宿主工具再打开,让新装的 Skill 被重新扫描到,否则列表里可能看不到。

  4. 4

    按最小权限试用

    权限没有明确标注,第一次使用时只给一个无关紧要的任务,观察它到底读了哪些文件和网络。

常见问题

6 条

personal-knowledge-capture 怎么安装?

在终端执行 openclaw skills install personal-knowledge-capture。装完完全退出宿主工具再打开,让它重新扫描本地 Skill。

personal-knowledge-capture 支持哪些 AI 工具?

公开资料标注支持 OpenClaw。其他工具只要能读取本地 Skill 目录,一般也能手动放进去,但要自己确认触发方式是否一致。

personal-knowledge-capture 需要什么权限?

权限级别没有明确标注。第一次使用时建议只给无关紧要的任务,观察它实际读写了哪些内容。

personal-knowledge-capture 是免费的吗?

来源标注的许可证是 MIT-0。本站不代收任何费用,也不托管安装包;能否商用、要不要署名,以许可证原文为准。

personal-knowledge-capture 用的人多吗?

公开数据是累计安装 4,484 次,近一周安装 185 次,下载 1,465 次。这些数字来自第三方目录统计,只能当作热度参考,不代表质量或安全性。

personal-knowledge-capture 安全吗?

第三方扫描结果为通过,但这只覆盖已知的静态检查项,不能替代自己读一遍源码和安装命令。

值得选的地方和要先想清楚的地方

值得选的地方

  • 专注 OpenClaw 一种宿主,触发方式和使用习惯不用来回切换。
  • 许可证明确为 MIT-0,商用和分发边界好判断。
  • 第三方扫描已通过,常见的高风险行为没有命中。

先想清楚的地方

  • 第三方目录整理,版本更新和行为细节以来源仓库为准。

适不适合你

更适合

  • 已经在用 OpenClaw,想直接扩展它能力的人。
  • 需要处理效率类任务、又不想每次都手写提示词的人。
  • 需要许可证清楚、并且有第三方扫描结果的团队项目。

不太适合

  • 需要厂商级技术支持和 SLA 的生产系统。

效率类 Skill 对比

6 个同类
Skill总安装GitHub 星权限许可证扫描
github

GitHub 代码协作 · OpenClaw

7,632,918545需要联网MIT-0通过
nano-pdf

Nano PDF 文档 · OpenClaw

4,249,476231需要联网MIT-0通过
auto-updater

自动更新程序 · OpenClaw

2,964,063386操作浏览器MIT-0通过
video-frames

视频帧 · OpenClaw

2,621,304112需要联网MIT-0通过
gemini

Gemini 助手 · OpenClaw

2,547,39648需要联网MIT-0有提醒
personal-knowledge-capture

个人知识捕获 · 本页

4,484—权限未标注MIT-0通过

按安装量取同分类前几名;数字来自第三方目录统计,只作热度参考,不代表质量结论。

SKILL.md 原文

name
knowledge-capture
description
知识库捕获与自适应复习系统。触发词:「记住」「记下来」「加入知识库」「这个值得记」「帮我记住」「值得记录」。将对话中的知识点整理成结构化 Markdown 笔记,写入对应分类目录,自动生成题目加入题库(question-bank.json),并更新掌握度状态文件(mastery-status.json)和复习计划。支持答题评分:用户回答复习题后,调用本 skill 评分并更新掌握度,动态调整下次复习时间。

知识库捕获 Skill(含自适应复习机制)

触发场景

场景一:捕获新知识(用户说「记住/记下来」等)

触发词:「记住」「记下来」「加入知识库」「这个值得记」「帮我记住」「值得记录」

场景二:评分更新(用户回答了复习题后)

当用户回复了复习测验的答案时,执行评分 + 更新掌握度流程。


知识库路径

根目录:/root/.openclaw/workspace/knowledge/

目录适用内容
finance/金融投资、股票、基金、技术指标、经济学
agent/AI Agent、多 Agent 架构、OpenClaw、Skill 开发
tech/技术知识、编程、系统架构、算法
product/产品设计、用户研究、商业分析
misc/其他

关键文件:

  • learning/mastery-status.json — 掌握度状态
  • learning/question-bank.json — 题目库
  • learning/01-遗忘曲线复习计划.md — 复习时间表

场景一:捕获新知识

Step 1:分析内容

  • 从对话中提取要记忆的知识点
  • 判断分类目录
  • 如果不明确,询问「你想记住刚才的哪部分?」

Step 2:生成笔记

按以下结构写笔记:

# {知识点标题} 速记卡

> 初学日期:YYYY-MM-DD

## 🎯 核心要点
(3-5条最重要的结论,用自己能复述的语言)

## 📖 详细内容
(知识点的完整解释)

## 💡 类比记忆
(用生活化类比,越具体越好)

## 📊 对比表格(如适用)

## ⚡ 一句话总结

## ❓ 自测问题
- [ ] 问题1(level 1,概念识别)
- [ ] 问题2(level 2,类比解释)
- [ ] 问题3(level 3,应用场景)

Step 3:写入文件

knowledge/{分类}/序号-标题.md

Step 4:生成题目加入题库

读取 learning/question-bank.json,为新知识点生成3-5道题,按层级:

  • level 1(选择题):概念识别,有迷惑性选项
  • level 2(类比题):用类比解释概念
  • level 3(应用题):给场景让用户判断决策
  • level 4(教学题):向外行解释(费曼技巧)

题目格式:

{
  "id": "{topic_prefix}_{序号}",
  "type": "choice|analogy|apply|teach",
  "level": 1,
  "concept": "概念名",
  "question": "题目",
  "options": ["A. ...", "B. ...", "C. ..."],
  "answer": "B",
  "explanation": "解析"
}

Step 5:更新掌握度状态

在 learning/mastery-status.json 中新增:

"{topic名称}": {
  "file": "{分类}/{文件名}",
  "learnDate": "YYYY-MM-DD",
  "reviewCount": 0,
  "lastReviewDate": null,
  "lastScore": null,
  "avgScore": null,
  "status": "new",
  "weakPoints": [],
  "masteredPoints": [],
  "nextReviewDate": "明天日期",
  "reviewHistory": []
}

Step 6:更新复习计划文档

在 learning/01-遗忘曲线复习计划.md 中新增一行,计算6个复习节点:

  • 复习节点 = 学习日 + 1/2/4/7/15/30 天

Step 7:反馈用户

告知:笔记路径、题目已加入题库、明天8:00开始第一次测验


场景二:答题评分与掌握度更新

触发条件

用户回复了复习测验的答案(包含 Q1/Q2/Q3 的回答,或直接回答题目)。

Step 1:逐题评分(1-5分)

选择题评分:

  • 答对 = 4分起步;答对且解释正确 = 5分;答错 = 1-2分

开放题评分标准:

分数标准
5准确、完整、能举一反三
4正确,细节稍有遗漏
3方向对,细节有误
2方向错但有部分印象
1完全想不起来

Step 2:逐题反馈

每道题给出:

  • 得分
  • 你的回答哪里对、哪里需要补充
  • 标准答案(简洁版)
  • 记忆技巧提示

Step 3:更新掌握度状态

计算本次平均分,更新 mastery-status.json:

动态调度规则:

平均分状态变化下次复习时间
≥ 4.5reviewing → 拉长间隔按艾宾浩斯正常节奏
3-4learning → 维持明天再来一遍
< 3退回 learning明天 + 后天 + 4天(强化)
某题得1分标记 weakPoint下次强制出此 concept 的题
连续3次平均≥4→ mastered退出高频复习队列

更新字段:

{
  "reviewCount": +1,
  "lastReviewDate": "今天",
  "lastScore": 本次平均分,
  "avgScore": 历史平均分,
  "status": "new|learning|reviewing|mastered",
  "weakPoints": ["得分<3的concept"],
  "nextReviewDate": "动态计算",
  "reviewHistory": [{"date": "今天", "score": 分数, "weakPoints": [...]}]
}

Step 4:汇总反馈

发送给用户:

📊 本次测验结果

{主题}:{分数}/5分  → {掌握度状态}

Q1 [{concept}]:{分数}分 ✅/⚠️
{简短点评}

Q2 [{concept}]:{分数}分 ✅/⚠️
{简短点评}

Q3 [{concept}]:{分数}分 ✅/⚠️
{简短点评}

---
{掌握度总结}
{下次复习时间}
{如有薄弱点:「{概念}还需要加强,下次会重点考察」}

掌握度等级

状态含义触发条件
new未复习初始状态
learning学习中平均分 < 4
reviewing巩固中平均分 ≥ 4
mastered已掌握连续3次平均分 ≥ 4

题目难度层级

Level类型描述对应复习阶段
1选择题概念识别第1-2次
2类比题用类比解释第1-3次
3应用题给场景做决策第2次起
4教学题向外行解释(费曼技巧)第4次起

平台分布

OpenClaw

77.13%
按下载量换算1,130

安全审计

VirusTotal

通过

ClawScan

通过

Static analysis

通过

权限和风险

权限未标注

当前来源未能明确判断权限范围,默认进入异常复核队列。

安装前确认

本站仅展示第三方公开信息,不托管安装包,不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。目前只有一个公开来源,建议同时核对源仓库。

继续浏览同类 Skills