myagents/.claude/skills/update-mykb-files/SKILL.md

---
name: update-mykb-files
description: |
  Local filesystem RAG-style retrieval: user path, @ files, or workspace—no fixed KB root; prefer data_structure.md then grep/limited Read; PDF/Excel only after this skill's references. Save reusable clips to project knowledge/files/ (Cursor @knowledge); pointers in knowledge/memories via update-mykb-memories. Avoid writing under .claude/ when restricted.
  Triggers: update-mykb-files; 检索/查资料/找文件/在某目录/摘录/存档; local search, find in folder, read my PDF, grep project, save excerpt, knowledge base on disk.
---

# 本地文件检索与摘录（update-mykb-files）

## 检索范围与目录结构

- **对象**：本机文件系统上、当前工具与环境**允许访问**的任意目录与文件（绝对路径、`~/…`、相对工作区路径等）。不因 skill 名称限制在某个子树；若沙盒或权限收窄，以实际能读到的路径为准。用户反复使用的资料根路径可记在 update-mykb-memories，减少每次重新确认。
- 资料往往放在一个**检索根目录**下，包含多种类型（如 `.md`/`.txt`、`.pdf`、`.xlsx` 等），可按业务拆多级子目录。
- 可选采用**分层目录索引文件**（有则用，无则靠路径/文件名与 grep 渐进查）：
  - 某层目录可有 `data_structure.md`，说明子目录与文件的用途。
  - 子目录可继续嵌套 `data_structure.md`，形成索引树。
- **检索根目录怎么定**（优先级）：
  - 用户在对话里**写明路径**（最优先）。
  - 否则从上下文推断：`@` 引用、已打开文件所在目录、问题中的路径、当前工作区根等；推断仍模糊时**追问用户**，勿臆造目录。
  - **读与写分离**：读的是上面确定的任意路径；**摘录落盘**默认写到**当前项目**下的 `knowledge/files/`（见下文；可用 `@knowledge`），勿与「被读的资料目录」混为一谈。
- 单个业务文件可能很大：
  - 不要直接用 Read 读取整文件
  - 对 PDF、Excel 使用对应 Skill 进行结构化处理后，再结合 grep/局部读取做精细检索

## 摘录池：`knowledge/files/`

- **用途**：在日常对话或阅览任意被检索文件时，若出现**以后还可能引用**的内容（定义、结论、命令、表格摘要、长引用片段），写入当前项目下的 `knowledge/files/`，便于后续用 Grep/Read 复用；**不要**把整本 PDF/整表原样拷入，优先摘要 + 来源路径。
- **与 update-mykb-memories 分工**：极短、稳定的事实与偏好写入 `knowledge/memories/`（见 skill `update-mykb-memories`）；**较长说明、摘录、结构化笔记**放 `knowledge/files/`。
- **路径**：根目录为仓库内 `knowledge/files/`（不存在则创建；父级 `knowledge/` 与 Cursor `@knowledge` 对应）。可选子目录：`clips/`、`notes/`、`exports/`。
- **命名**：`YYYY-MM-DD_<主题简写>.md` 或 `<domain>_<topic>.md`；单文件控制体量，必要时拆篇。
- **内容建议**：每条摘录开头用简短元信息（来源文件/URL、日期、一两句用途），正文用 Markdown；避免敏感凭证。
- **检索**：回答后续问题时，若与已存摘录相关，可对 `knowledge/files/` 做 Grep 或 Read，与对原始资料的检索同一套渐进式原则。

### 定位检索根目录与存在性

- **路径来源**：用户显式给出的目录或文件路径优先；否则用上下文可核对的根（如工作区根、某 `@` 文件的上级目录），并在不确定时让用户确认。
- **存在性**：对将要作为检索起点的目录，用 shell 检查，例如 `test -d "<检索根>"`（将 `<检索根>` 换成实际路径）。禁止使用仅靠 `Glob` 的结果推断「目录是否存在」：`Glob` 只返回文件路径，不返回目录本身，空结果无法区分「目录不存在」与「目录存在但无匹配文件」。
- **确认存在后再展开**：只有 `test -d`（或对单文件 `test -f`）通过后，才在该路径下用 Glob/Grep 递归检索；把该路径作为工具参数里的 `path`，例如：
  - 索引文件：`pattern="**/data_structure.md"`, `path="<检索根>"`
  - 某类文本：`pattern="**/*.md"`, `path="<检索根>"`
- **未给出范围时**：不要猜测本机上的随机目录；说明需要用户指定「从哪个目录或哪些文件查」。

## 关键原则：先学习，再处理

**遇到 PDF 或 Excel 文件时的强制检查清单**：

- [ ] ✅ 已读取对应的 references 文档学习处理方法
- [ ] ✅ 已理解推荐的工具和命令
- [ ] ✅ 已将文件处理（提取/转换）完成
- [ ] ⏭️ 现在可以开始检索

**禁止行为**：
- ❌ 在未读取 pdf_reading.md 的情况下直接尝试处理 PDF
- ❌ 在未读取 excel_reading.md 的情况下直接尝试处理 Excel
- ❌ 跳过文件处理步骤，直接对原始 PDF/Excel 进行检索

## 总体流程

1. 理解用户需求
   - 读用户问题，提取：
     - 主题/领域关键词（如“销售报表”“系统架构”“接口文档”）
     - 时间或范围限定（如“2023 年 Q1”“最近版本”）
     - 需要的输出类型（解释、摘要、具体字段数值等）
   - 确定检索根目录或具体文件列表：
     - 用户是否在问题中指定了路径或 `@` 了文件/文件夹。
     - 否则从工作区、打开文件等上下文推断；仍不明确则**询问用户**，不设固定默认资料目录。
     - 路径须用 `test -d` / `test -f` 等方式确认可访问后再深入检索。

2. 分层查看目录索引 `data_structure.md`（若存在）
   - 使用一个「当前工作目录」的概念：
     - 从**已确定的检索根目录**开始（须先按上文确认存在；不可用 shell 的「当前工作目录」偷换概念）。
   - 在当前工作目录下，如果存在 `data_structure.md`：
     - 使用 Read 读取该文件的前若干行（例如 limit=300），必要时分段继续读取。
     - 目标：
       - 了解当前目录下有哪些子目录和文件
       - 理解每个子目录/文件的用途说明
     - 基于用户问题，挑选**最相关的若干个子目录或文件**，构成候选集合。
   - 对于候选子目录：
     - 递归进入该子目录，将其作为新的「当前工作目录」，继续查找其中的 `data_structure.md` 并重复上述过程。
     - 在递归过程中，避免一次性深入所有分支，优先沿着与问题最相关的路径向下钻取。
   - 对于候选业务文件（md/文本、PDF、Excel 等）：
     - 在完成必要的目录层级探索后，收集这些文件为最终的**检索目标列表**。
   - 在优先级排序时：
     - 优先选择用途说明与问题主题高度匹配的领域目录和文件
     - 其次考虑时间/版本等约束（如果索引中有体现）
     - 通用说明类文档（如 README.md、总体设计类文档）放在较后优先级

3. 学习文件处理方法（遇到 PDF/Excel 时强制执行）
   - **在处理 PDF 文件前**：
     - **必须先读取** [references/pdf_reading.md](references/pdf_reading.md)（位于本 skill 的 `references/`，不是被检索资料目录）学习提取方法
     - 重点了解：pdftotext 命令、pdfplumber 用法、表格提取方法
   - **在处理 Excel 文件前**：
     - **必须先读取** [references/excel_reading.md](references/excel_reading.md)学习读取方法
     - **必须先读取** [references/excel_analysis.md](references/excel_analysis.md)学习分析方法
     - 重点了解：pandas 读取、列筛选、数据过滤
   - **目的**：确保使用正确的工具和方法，避免盲目检索

4. 按文件类型执行处理和检索
   - 使用刚学到的方法处理文件（提取、转换、结构化）
   - 对每类候选文件，按照下面「Markdown/文本」「PDF」「Excel」策略执行
   - 总原则：
     - 优先从最相关、最精确的文件开始
     - 每个文件内都渐进式地局部检索，避免一次性加载全内容
     - 若当前文件得不到满意信息，切换到下一个候选文件

5. 迭代检索
   - 所有文件类型都使用统一的「多轮迭代检索机制」（见上文公共检索原则）

6. 答案组织与溯源
   - 汇总多轮检索得到的上下文，综合回答用户问题。
   - 尽量：
     - 给出清晰、直接的回答
     - 指出使用过的文件名（必要时包含大致位置，如章节或大概行数/页数）
   - 如果答案基于推断或信息不完全：
     - 明确标注假设与不确定性
     - 提示用户可以补充更具体的文件范围或关键词

## 公共检索原则

### 关键词选择策略
- 从用户问题提取 3-8 个关键词（含可能的英文缩写、同义词、上位/下位词）
- 可组合词组（如 "销售 报表"、"API 接口 超时"）
- 必要时包含业务词、技术术语、常见缩写（如 "uv"、"pv"、"GMV"）

### grep 检索基本原则
- 始终指定尽量精准的 include 和 path，避免搜索整个目录
- pattern 优先尝试问题中的核心名词、术语，再尝试同义词
- 对于每个命中，只读取匹配附近的局部区域（上下若干行）
- 保存「文件名 + 位置信息 + 文本片段」

### 多轮迭代检索机制（最多 5 次）
所有文件类型都采用统一的迭代策略：
1. **迭代控制**
   - 维护「已尝试检索次数」计数，最多 5 次
   - 每次检索后累加计数
2. **每轮迭代流程**
   1. 基于问题生成/更新检索关键词（可包括同义词、扩展词）
   2. 选择尚未充分检索的文件或文件部分
   3. 执行检索（grep/局部读取/专用 Skill 调用）
   4. 分析获取的上下文片段
   5. 判断是否足够回答问题
3. **终止条件**
   - 找到足够支撑回答的上下文；或
   - 已达到 5 次尝试仍未找到合适信息
4. **信息不足时的处理**
   - 明确告知用户信息缺失或可能不在已约定的检索范围内
   - 提供已找到的最接近信息，并说明不确定性
   - 提示用户可以如何缩小范围（更具体的文件名、关键词、时间范围等）

### 注意事项

- 禁止用 Glob 的「有无匹配文件」代替目录存在性判断；目录是否存在应通过 shell（如 `test -d`）检查。
- 使用本 skill 做本地文件检索时，禁止使用网络搜索等其他工具替代磁盘上的资料
- 若用户明确要求「记住」且是**短事实**，交给 **update-mykb-memories**；若需保存**可检索的长摘录**，写入 `knowledge/files/`（见上文）。

## 针对不同文件类型的具体策略

### 1. Markdown / 文本类文件（.md, .txt, .log 等）

1. **候选文件选择**
   - 根据 `data_structure.md` 和文件名、路径判断相关度
   - 优先检索标题和目录类文件（如汇总文档、设计总览）

2. **grep 定位与局部读取**
   - 使用 Grep 工具对指定候选文件，include 限定具体后缀（如 "*.md"）
   - 对于有匹配的文件，使用 Read 仅读取匹配附近的局部区域：
     - 通过行号偏移和 limit 控制读取（例如从匹配行附近往前后各读取几十行）
     - 避免整文件读取

3. **特殊处理**
   - 如内容仅是目录/标题，根据链接或小节名继续定位深入内容
   - 应用「多轮迭代检索机制」（见上文公共检索原则）

### 2. PDF 文件检索策略

**工作流**：

1. **首先：读取处理方法指南**
   - 在处理任何 PDF 之前，**必须先读取** [references/pdf_reading.md](references/pdf_reading.md)（位于本 skill 的 `references/`，不是被检索资料目录）
   - 重点了解：pdftotext 命令、pdfplumber 用法、表格提取方法、快速决策表
   
2. **选择候选 PDF**
   - 根据 `data_structure.md` 中的描述，选择最相关的 1-3 个文件
   - 如果用户指明具体 PDF 文件，则优先使用该文件

3. **应用学到的方法提取文本**
   - 使用 pdf_reading.md 中推荐的工具（优先 pdftotext 或 pdfplumber）
   - **重要**：使用 `pdftotext input.pdf output.txt` 将文本提取到文件，不要直接输出到 stdout（避免占用大量 token）
   - 如需提取表格，使用 pdfplumber 的表格提取功能
   
4. **对提取结果执行检索**
   - 使用 grep 对提取的文本进行关键词搜索
   - 对于每个命中，提取命中附近范围的上下文（上下数十行或相邻几页）
   - 保存「文件名 + 页码/大致位置 + 文本片段」
   - 应用「多轮迭代检索机制」（见上文公共检索原则）

### 3. Excel 文件检索策略

**工作流**：

1. **首先：读取处理方法指南**
   - 在处理任何 Excel 之前，**必须先读取**：
     - [references/excel_reading.md](references/excel_reading.md) - 学习如何读取工作表（位于本 skill 的 `references/`）
     - [references/excel_analysis.md](references/excel_analysis.md) - 学习如何分析数据（位于本 skill 的 `references/`）
   - 重点了解：pandas 读取方法、列筛选、数据过滤、聚合操作
   
2. **选择候选 Excel**
   - 根据 `data_structure.md` 和文件/工作表命名，选择最相关的表
   - 优先选择包含「报表」「统计」「日志」「配置」「映射」等关键词的工作簿/工作表
   - 若用户指明具体 Excel 文件，优先使用该文件

3. **应用学到的方法探索结构**
   - 使用 pandas 读取前 10-50 行（使用 `nrows` 参数限制）
   - 重点掌握：列名/字段名、数据类型（数值、日期、文本）、关键字段
   - 将列名与用户问题比对，识别潜在关键字段（如「收入」「销售额」「error_code」等）
   
4. **执行数据检索和分析**
   - 使用学到的 pandas 方法进行过滤和聚合（如 `df[df['column'] == value]`）
   - 每次只读取匹配行附近的数据，避免一次性读取整表
   - 如问题包含时间范围，在检索中加入时间过滤
   - 应用「多轮迭代检索机制」（见上文公共检索原则）

## 与其他工具的协同

### PDF 处理
- **在处理 PDF 前必须先读取** [references/pdf_reading.md](references/pdf_reading.md) 学习处理方法
- 使用 pdfplumber/pypdf 进行文本提取、表格提取、元数据读取
- 优先使用 pdftotext 命令行工具进行快速文本提取

### Excel 处理
- **在处理 Excel 前必须先读取**：
  - [references/excel_reading.md](references/excel_reading.md) - 学习读取方法
  - [references/excel_analysis.md](references/excel_analysis.md) - 学习分析方法
- 使用 pandas 进行数据探索、预览、过滤和分析

### 工具使用原则
- **Grep**：用于按关键词在指定文件中查找行号与匹配片段，始终指定尽量精准的 include 和 path
- **Read**：只用于局部读取文件，始终设置合理的 limit（如 200-500 行）和合适的偏移
- **对于任何可能很大的文件**：
  - 禁止直接从头读到尾
  - 始终先通过索引、目录、关键词等方式缩小范围后再读

## 回答风格与错误处理

- 回答风格
  - 尽量用用户提问的语言（中文/英文）作答。
  - 先给出结论，再给出简要依据。
  - 如需要，可在后面列出引用的文件和大致位置，例如：
    - 来源：design/api_gateway.md 第 100 行附近
    - 来源：reports/2023_Q1_sales.xlsx Summary 工作表
- 信息缺失或不确定时
  - 明确说明在已检索的路径范围内没有找到完全匹配的信息或只能部分回答。
  - 不臆造事实。
  - 提示用户可以如何帮助缩小范围：
    - 指定更具体的目录/文件
    - 提供更精确的关键词或字段名
    - 指定时间/版本范围