新闻详情

新闻详情

首页 / 资讯中心 / 详情

cannbot-knowledge 7项Skill职责全解:知识生产、检索与治理的边界划分

发布时间:2026/11/15 14:18:35来源:尧图网络
cannbot-knowledge 7项Skill职责全解:知识生产、检索与治理的边界划分
cannbot-knowledge 7项Skill职责全解知识生产、检索与治理的边界划分【免费下载链接】cannbot-knowledgecannbot算子开发知识库插件依赖的知识库本体仓给cannbot提供统一的知识底座。项目地址: https://gitcode.com/cann/cannbot-knowledgecannbot-knowledge 是 CANN 算子开发智能体 CANNBot 的知识库本体仓提供统一知识底座。本仓维护 7 项 Skill把知识检索、知识生产、知识治理三条线划出清晰边界保证每张知识卡都能追溯到来源。本文带你完整读懂这 7 项 Skill 的职责与边界。️ 总览2 查、4 产、1 管cannbot-knowledge 不把算子工程代码当知识正文而是把可追溯的工程经验整理成Markdown 知识卡带 YAML Frontmatter 正文。围绕这些知识卡7 项 Skill 分工如下Skill线核心职责写入边界knowledge-query 检索查看知识覆盖、检索知识卡、保存审计 receipt只读ascendc-api-knowledge-query 检索按硬件平台检索 Ascend C API、阅读全文、核对头文件只读knowledge-ingest✍️ 生产路由新来源、增量同步、版本升级与通用建卡只创建候选卡ops-knowledge-trace-ingest✍️ 生产从算子开发 trace 蒸馏 Runbook 卡仓内使用只写经审查的卡ops-knowledge-vv-ingest✍️ 生产提取不含可达 Cube/AIC 或 MIX_CV 节点的源码级 Operator 卡只写任务指定的最终卡ops-knowledge-cv-ingest✍️ 生产提取含可达 Cube/AIC 或 MIX_CV 节点的源码级 Operator 卡只写任务指定的最终卡knowledge-lint️ 治理检查路径、Frontmatter、来源、导航与日志只读一句话记忆查询与检查绝不改正文生产只写被授权的目标卡所有 Skill 都不自动 commit、push 或发布。 检索线knowledge-query 与 ascendc-api-knowledge-queryknowledge-query确定性检索知识卡knowledge-query是 CANNBot 的专用、确定性消费入口工作方式是覆盖发现统计当前实际存在的领域、技术、类型与状态区分有知识和只是注册了目录知识搜索先按 domain、平台、状态等结构化过滤再做确定性词法评分返回候选卡Agent 选择候选卡 → 打开local_path阅读全文→ 再决定是否沿链接继续读相关知识。它只消费经过校验的持久化索引索引缺失、损坏或过期时失败关闭不临时全库扫描、不静默重建。搜索输出会绑定请求指纹、卡片 SHA-256 等信息复杂任务可按 decision 保存不可覆盖的 search receipt形成可审计的检索链。 零命中只说明当前条件下未召回不代表相关技术或 API 不存在。规范源见 .agents/skills/knowledge-query/SKILL.md。ascendc-api-knowledge-queryAscend C API 专用消费流程查 Ascend C API 时不必重复跑两套流程。该 Skill复用 Query 的索引、平台识别和审计额外提供确认平台先行先把目标产品规范化为 Registry 平台 ID再发起检索全文阅读分页保持原文、原始行号和内容指纹不用摘要代替正文按需核验头文件把 API 卡的source_headers相对路径解析到已确认的 AscendC 包根正文不足以回答时才读取头文件。它不引入第二份检索实现、SDK 索引或 API 事实库也不修改或安装 SDK。✍️ 生产线4 个 Ingest 生产者knowledge-ingest通用摄入路由入口knowledge-ingest负责什么材料该走哪条生产流程Git 来源区分首次接入、同 ref 增量、版本升级官方文档归档按 Registry 登记直接读取、受控转换为知识卡源码级完整算子路由到 VV/CV 专用 producer算子开发 trace路由到仓内 trace producer。通用建卡的固定动作Query 查重 → 选 domain / technology / 路径 Profile → 区分来源事实、合理推导、待验证假设 → 写入正文 → 新卡默认draft只有来源、范围和正文都满足消费门槛才标stable→ 写入前调用统一 Contract 做排他原子创建。详细路由规则见 governance/specs/skills.md。ops-knowledge-trace-ingesttrace → Runbook 蒸馏这是 7 项中唯一不安装到业务项目的仓内 Skill。它把一次算子开发会话的原始日志四阶段蒸馏成可检索的实战卡会话日志 ──parse──▶ trace 目录 ──normalize──▶ 事件流 ──mine──▶ 草稿 ──curate──▶ runbooks/落库的 Runbook 会经历门控去重、独立审查、Lint 与检索验证只写经审查的卡、导航和日志如 knowledge/ops/ascendc/runbooks/ 下的排查手册。ops-knowledge-vv-ingest / ops-knowledge-cv-ingest源码级 Operator 卡这对兄弟 Skill处理通用 Ingest 无法用固定模板闭合的源码级事实分流规则只看可达 Device 节点全部节点不含Cube/AIC 或 MIX_CV →VVVector/Vector 侧至少一个节点含Cube/AIC 或 MIX_CV →CV。两者都要求任务先冻结唯一逻辑算子、固定 Commit、入口、平台和目标文件闭合 Host 分发、Tiling、Kernel、内存与同步后只写任务指定的最终 Operator 卡不写 index、日志或图谱也不执行编译与真机测试。️ 治理线knowledge-lint 与共同约束knowledge-lint零 LLM 的作者门禁Lint 是离线、只读、确定性的检查器比 OKF 最小 conformance 更严格覆盖范围检查内容Profile / Schema根版本、YAML 唯一 key、type非空、字段白名单路径与受控值domain-route、文件名、平台、Tag、技术端点生命周期与来源status、时间、verifiedactor、来源形状与固定格式导航、正文与日志逐层索引完整性、链接目标在 Bundle 内、正文非空、日志倒序退出码0无 P0 问题1至少一个 P02命令或仓库不可用。Lint 还承担问题材料整理只生成本地 Issue 草稿和needs-info不自动修复、不对外提交。七项 Skill 的共同约束共同遵守 governance/schemas/ 的机器规则与 governance/contracts/ 的校验实现不复制或放宽字段、路径和注册值技术事实只进 knowledge/不埋在 Skill 指令中Query 和 Lint 不修改正文Ingest 不自动 commit、push、合并或发布提交前在仓库根目录运行 check.sh执行 Lint、导航检查、索引与检索回归等完整质量检查。 怎么选consumer 还是 contributor通过 install.sh 一键安装到业务项目模式只决定托管哪些 Skill不改变知识卡内容安装模式安装的 Skill适用场景consumer默认knowledge-queryascendc-api-knowledge-query只读查阅、技术问答contributor上述两项 knowledge-ingest、knowledge-lint、ops-knowledge-vv-ingest、ops-knowledge-cv-ingest贡献知识、治理规则或 Skillops-knowledge-trace-ingest保持仓内运行两种模式都不安装。Skill 以符号链接复用同一份知识仓多个项目可共享完整安装与验证步骤见 docs/installation_and_usage.md。✅ 小结检索knowledge-query管通用知识卡ascendc-api-knowledge-query管 Ascend C API都是只读生产knowledge-ingest做路由trace / VV / CV 三个 producer 各管一类来源只写被授权的目标卡治理knowledge-lint做确定性门禁规则统一收敛在 governance/ 下单一事实源。记住两条底线结构通过不等于结论正确搜索命中不代表适用于所有平台和版本。想动手体验可从 recipes/answer_with_evidence.md 学习如何形成可追溯回答或按 recipes/contribute_knowledge.md 贡献第一张知识卡。【免费下载链接】cannbot-knowledgecannbot算子开发知识库插件依赖的知识库本体仓给cannbot提供统一的知识底座。项目地址: https://gitcode.com/cann/cannbot-knowledge创作声明:本文部分内容由AI辅助生成(AIGC),仅供参考
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉