NLP Interface Skill - 自然语言接口

智能自然语言接口，理解用户的日常语言并自动映射到对应的斜杠命令，让知识管理更自然、更高效。

功能概述

NLP Interface 是一个自动触发的智能接口层，位于用户和命令系统之间：

用户输入 → NLP Interface → 意图识别 → 命令映射 → 执行命令
   ↓              ↓              ↓          ↓
 "记笔记"      识别为添加      /kb-add    执行添加

核心能力：

意图识别：理解用户想要做什么（6大类意图）
上下文管理：记住对话历史，理解代词指代
智能路由：将自然语言映射到具体的斜杠命令
参数提取：从自然语言中提取命令参数
澄清策略：当意图不明确时，主动询问

工作流程

Step 1: 输入检测

python

检测用户输入:
IF 输入以 "/" 开头:
    → 不处理，交给原有命令系统
ELSE:
    → 进入意图识别流程

Step 2: 意图识别

python

意图分类（6大类）:

1. 添加知识意图
   关键词: "记", "添加", "学习", "了解", "保存", "记录"
   映射命令: /kb-add

2. 搜索查找意图
   关键词: "找", "搜索", "查", "看看", "有没有", "关于"
   映射命令: /kb-search

3. 编辑修改意图
   关键词: "修改", "更新", "编辑", "改", "补充", "添加内容"
   映射命令: /kb-edit

4. 学习复习意图
   关键词: "测试", "测验", "练习", "复习", "回顾", "教我", "讲解"
   映射命令: /kb-quiz, /kb-review, /kb-teach

5. 导入内容意图
   关键词: "保存这个网页", "抓取", "导入", "从URL", "从PDF"
   映射命令: /kb-from-url, /kb-from-pdf, /kb-from-image

6. 网络搜索意图
   关键词: "搜索资料", "网上找", "Google一下", "查资料", "找资料"
   映射命令: /kb-search-web

Step 3: 置信度计算

python

置信度评估:

高置信度 (>90%):
    → 直接执行命令

中置信度 (70-90%):
    → 显示确认信息
    → "我要执行: [命令]，确认吗？(回车确认 / n取消)"

低置信度 (<70%):
    → 询问澄清
    → 显示选项列表
    → "你想做什么？1. 搜索 2. 添加 3. 测试"

Step 4: 参数提取

python

从自然语言提取命令参数:

标题提取:
    - 从引号内提取: "标题: React Hooks"
    - 从冒号后提取: "学习: useState"
    - 核心名词短语: "React Hooks学习笔记"

标签提取:
    - "标签: xxx" → ["xxx"]
    - "带tag xxx" → ["xxx"]
    - "#xxx" → ["xxx"]
    - 从内容中识别关键词

分类提取:
    - "学习笔记" → learning-note
    - "代码" → code-snippet
    - "项目" → project-doc
    - "研究" → research-note

其他参数:
    - 时间: "最近", "这个月" → --after=DATE
    - 难度: "简单", "困难" → --difficulty=LEVEL
    - 数量: "5个", "前10" → --count=N

Step 5: 上下文解析

python

上下文管理（最近10轮对话）:

代词解析:
    "它" → 最近提到的主体
    "这个" → 最近操作的对象
    "那个" → 前一轮提到的对象
    "第一条" → 上次搜索结果的第1个

话题追踪:
    - 持续时间: 30分钟内视为同一话题
    - 主题延续: "再搜索XXX"（在当前话题内细化）
    - 话题切换: "现在搜索Python"（清空上下文）

参考解析:
    "修改它" → /kb-edit [last_id]
    "关联这个" → /kb-link [last_id] [current_id]

Step 6: 执行命令

python

构建完整命令并执行:

1. 构建命令字符串:
    intent = "kb-add"
    params = {"title": "React Hooks", "tags": ["react"]}
    command = f"/{intent} \"{params['title']}\" --tags={','.join(params['tags'])}"

2. 传递给命令系统:
    执行构建的命令

3. 返回结果给用户:
    显示命令输出
    保存到对话历史

意图识别规则

1. 添加知识

触发模式：

"记一条笔记"
"添加知识"
"学习XXX"
"了解XXX"
"记录XXX"
"保存笔记"

示例对话：

用户: "记一条React Hooks学习笔记"
系统:
  意图: kb-add
  提取:
    - 标题: "React Hooks学习笔记"
    - 类型: learning-note
    - 标签: [react, hooks] (智能推荐)

  执行: /kb-add "React Hooks学习笔记" --type=learning-note --tags=react,hooks

2. 搜索查找

触发模式：

"找XXX"
"搜索XXX"
"查XXX"
"看看XXX"
"有没有XXX"
"关于XXX的笔记"

示例对话：

用户: "找useState相关内容"
系统:
  意图: kb-search
  提取:
    - 查询词: "useState"
    - 过滤: 无

  执行: /kb-search useState

3. 编辑修改

触发模式：

"修改XXX"
"更新XXX"
"编辑XXX"
"改XXX"
"给XXX补充"
"修改第一条"
"更新刚才那个"

示例对话：

用户: "修改刚才那条笔记"
系统:
  意图: kb-edit
  上下文:
    - 上次操作: 搜索结果
    - 最近ID: 2026-01-04-105815

  执行: /kb-edit 2026-01-04-105815

4. 学习复习

触发模式：

"测试XXX"
"测验XXX"
"练习XXX"
"复习今天"
"回顾最近"
"教我XXX"
"讲解XXX"

示例对话：

用户: "测试React部分"
系统:
  意图: kb-quiz
  提取:
    - 主题: "React"
    - 难度: medium (默认)

  执行: /kb-quiz "React" --difficulty=medium

5. 导入内容

触发模式：

"保存这个网页: URL"
"导入PDF"
"抓取URL"
"从URL导入"
"从PDF提取"

示例对话：

用户: "保存https://react.dev这篇文章"
系统:
  意图: kb-from-url
  提取:
    - URL: "https://react.dev"

  执行: /kb-from-url https://react.dev

6. 网络搜索

触发模式：

"搜索XXX资料"
"网上找XXX"
"Google一下XXX"
"查XXX的资料"
"找XXX的学习资源"

示例对话：

用户: "搜索React性能优化最新资料"
系统:
  意图: kb-search-web
  提取:
    - 查询: "React性能优化"
    - 约束: ["最新"]

  执行: /kb-search-web "React性能优化" --time=recent

上下文管理

对话历史结构

json

{
  "sessionId": "2026-01-04-session-001",
  "startTime": "2026-01-04T14:30:00Z",
  "lastActivity": "2026-01-04T14:35:22Z",
  "turnCount": 5,
  "currentTopic": "React Hooks",

  "recentContext": {
    "lastCommand": "kb-search",
    "lastQuery": "useState",
    "lastIds": ["2026-01-04-105815", "2026-01-04-105644"],
    "lastResult": "3个结果"
  },

  "turns": [
    {
      "turnId": 1,
      "timestamp": "2026-01-04T14:30:05Z",
      "userInput": "找React笔记",
      "intent": "kb-search",
      "confidence": 0.92,
      "executedCommand": "/kb-search React"
    },
    ...
  ]
}

上下文解析策略

python

代词解析规则:

"它" → 指向最近操作的主体
  例: "修改它" → 修改上次搜索/编辑的条目

"这个" → 指向当前讨论的对象
  例: "这个不错" → 当前查看的条目

"那个" → 指向前一轮的对象
  例: "那个呢？" → 前一轮提到的另一个对象

"第一条" → 指向列表中的第1个
  例: "修改第一条" → 上次搜索结果的第1条

"刚才那个" → 指向上一次操作的对象
  例: "再搜索刚才那个" → 继续细化搜索

澄清策略

模糊输入处理

python

当意图不明确时:

示例1: 单词输入
用户: "React"
系统:
  "你想要对React做什么？
   1. 搜索相关笔记
   2. 添加新笔记
   3. 测试相关知识
   4. 学习React

   请回复数字或详细描述。"

示例2: 多种可能
用户: "Hooks"
系统:
  "我找到了几种可能:
   1. 搜索: React Hooks相关笔记
   2. 添加: 添加Hooks学习笔记
   3. 测试: Hooks知识测验

   请告诉我具体需求。"

偏好学习

自动学习用户习惯

python

学习维度:

1. 标签偏好
   观察: 最近10次添加笔记，8次使用"frontend"
   学习: 默认建议标签包含"frontend"

2. 分类偏好
   观察: 70%的笔记在"learning"分类
   学习: 默认分类设为"learning"

3. 格式偏好
   观察: 用户经常使用详细格式查看搜索结果
   学习: 默认使用 --format=detailed

4. 时间偏好
   观察: 用户多在下午2-5点学习新知识
   学习: 下午主动建议学习资源

偏好应用

python

应用偏好到命令:

用户: "记一条笔记"
系统应用:
  - 默认分类: learning (从偏好中获取)
  - 推荐标签: [react, hooks] (基于上下文)
  - 默认模板: learning-note

  输出: "我要添加一条学习笔记
          建议标签: react, hooks (基于最近话题)
          要修改吗？(回车确认 / 输入新标签)"

智能建议

操作后建议

python

在命令执行完成后触发建议:

添加知识后:
  - 发现相关条目 (相似度>80%)
  - 建议创建关联
  - 建议开始学习计划

搜索后:
  - 建议细化搜索
  - 建议学习路径
  - 推荐相关主题

测验后:
  - 显示薄弱环节
  - 建议针对性复习
  - 推荐练习资源

配置选项

json

{
  "nlp": {
    "enabled": true,
    "confirmThreshold": 0.7,
    "contextWindow": 10,
    "sessionTimeout": 1800,
    "maxHistory": 100
  },
  "preferences": {
    "autoLearn": true,
    "suggestAfterCommand": true,
    "showConfidence": false
  }
}

使用示例

完整对话流程

# 对话开始

用户: "找React笔记"
系统: [执行 /kb-search React]
      找到 3 个相关条目...

用户: "修改第一条"
系统: [从上下文解析 ID: 2026-01-04-105815]
      [执行 /kb-edit 2026-01-04-105815]

用户: "补充useEffect的内容"
系统: [识别为编辑操作，保持当前ID]
      请输入要补充的内容...

用户: "测试一下React"
系统: [执行 /kb-quiz "React" --difficulty=medium]

# 30分钟后，新会话开始

用户: "搜索useState"
系统: [新会话，清空上下文]
      [执行 /kb-search useState]

性能优化

python

优化策略:

1. 意图识别缓存
   - 常见输入模式缓存
   - 避免重复计算

2. 对话历史压缩
   - 只保留关键信息
   - 定期清理过期会话

3. 异步处理
   - 偏好学习异步执行
   - 不阻塞主流程

错误处理

python

错误处理策略:

1. 意图识别失败
   → 询问用户具体需求
   → 提供命令列表

2. 参数提取失败
   → 使用默认值
   → 询问用户确认

3. 命令执行失败
   → 显示原始错误
   → 建议正确的命令格式

4. 上下文丢失
   → 提示用户重新指定
   → 提供历史记录

调试模式

python

调试模式输出:

当 showConfidence=true 时:

用户: "记笔记"
系统: [DEBUG]
      意图: kb-add
      置信度: 0.85
      提取参数: {title: null, tags: []}
      构建命令: /kb-add
      状态: 需要澄清

      请提供标题和内容...

与其他组件配合

python

协作组件:

1. Knowledge Manager
   - 添加知识后触发
   - 接收标签和关联建议

2. Suggestion Engine
   - 接收操作上下文
   - 返回智能建议

3. Search Assistant
   - 网络搜索触发
   - 返回整理结果

4. User Preferences
   - 读取用户偏好
   - 更新使用统计

版本历史

v1.0 (2026-01-04): 初始版本
- 实现6大意图识别
- 上下文管理
- 参数提取
- 澄清策略

Search AI Tools

nlp-interface

Install this agent skill to your Project

SKILL.md

NLP Interface Skill - 自然语言接口

功能概述

工作流程

Step 1: 输入检测

Step 2: 意图识别

Step 3: 置信度计算

Step 4: 参数提取

Step 5: 上下文解析

Step 6: 执行命令

意图识别规则

1. 添加知识

2. 搜索查找

3. 编辑修改

4. 学习复习

5. 导入内容

6. 网络搜索

上下文管理

对话历史结构

上下文解析策略

澄清策略

模糊输入处理

偏好学习

自动学习用户习惯

偏好应用

智能建议

操作后建议

配置选项

使用示例

完整对话流程

性能优化

错误处理

调试模式

与其他组件配合

版本历史