LifeOS extract-knowledge 工作流从任意来源智能抽取知识与信号点的完整实战指南【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS本篇指南系统讲解 LifeOS 中 Research 技能Skills/Research提供的extract-knowledge命令它如何自动识别输入源类型网页、YouTube、PDF、演示文稿、论文、纯文本按领域安全、商业、研究、智慧、通用定向抽取知识与信号点并生成结构化、带质量评分与可执行建议的输出。读完你将掌握该工作流从来源检测、内容获取、领域分析到结构化产出的完整调用链并能直接在自己的研究流水线中落地使用。一、extract-knowledge 是什么extract-knowledge是 LifeOS Research 技能体系中的一个核心工作流命令定义于 ExtractKnowledge.md。它的定位是智能地从任意输入源中抽取知识和信号点——输入可以是 URL、YouTube 视频、PDF、演示文稿、研究论文甚至是一段直接粘贴的文本。与传统的复制粘贴摘要不同这个工作流有三个核心特征自动类型检测自动判断输入内容是视频、网页还是文件并使用最合适的工具获取内容领域自适应自动分析内容所属领域安全 / 商业 / 研究 / 智慧 / 通用并切换到对应的抽取策略与信号点模板结构化产出输出统一为带质量评分1-10、置信度1-10、关键洞察、信号点、可执行建议、关联概念的固定格式便于后续复用与入库。从 Research 技能的路由表见 SKILL.md可以确认它的触发场景为 Extract knowledge from content与ExtractAlpha抽取最高 alpha 洞察、YoutubeExtractionYouTube 转写、ExtractWisdom内容自适应智慧抽取等工作流互为补充后者侧重智慧/金句前者侧重结构化知识与信号点。二、命令语法与使用示例/extract-knowledge source [--focusdomain]其中source是内容来源--focus用于显式指定领域不指定时自动检测。官方示例命令用途/extract-knowledge https://example.com/article从网页文章抽取/extract-knowledge https://youtube.com/watch?vabc123从 YouTube 视频抽取/extract-knowledge /path/to/document.pdf从 PDF 文档抽取/extract-knowledge https://presentation.com/slides --focussecurity抽取安全领域洞察显式指定领域/extract-knowledge direct text content直接分析文本内容可选 focus 领域security、business、research、wisdom、general不指定时自动检测。三、Step 1来源类型检测与内容获取工作流的第一步是判断输入是什么然后选择正确的获取工具。原文档给出的分派逻辑如下YouTube 视频youtube.com、youtu.befabric --youtube url使用 Fabric CLI 的-y模式获取视频内容。这一点与 Research 技能中的 YoutubeExtraction.md 工作流完全一致——该文档明确要求绝不要用 yt-dlp / youtube-dl、绝不 Web 抓取 YouTube 页面、绝不直接调用转写 APIFabric 会自动完成下载视频 → 提取音频 → 转写 → 返回干净文本的全过程。因此在本工作流中YouTube 来源统一走 Fabric 通道。网页 URLhttp/https# 优先尝试 Fabric fabric -u url # Fabric 失败时改用 Bright Data MCP mcp__brightdata__scrape_as_markdown urlurl这里体现了一个重要的级联设计优先用 Fabric 的-u模式抓取网页并转为 Markdown若失败如遇到反爬、CAPTCHA、JS 渲染等则降级到 Bright Data MCP 的scrape_as_markdown工具。Bright Data 是仓库中独立存在的技能见 BrightData/SKILL.md专用于 CAPTCHA 破解与高级抓取与 Research 技能中API 优先、scraper 次之、Web 搜索最后的级联优先级原则相吻合。PDF 与本地文件直接使用 Read 工具读取文件内容对本地文件如 PDF、演示文稿、文档工作流不引入额外抓取工具而是直接调用 Agent 的 Read 工具读取。研究论文arxiv、doi论文类来源按网页内容处理但领域标记为research从而触发研究领域的专属抽取策略见 Step 3。四、Step 2内容领域自动检测当用户未通过--focus指定领域时工作流根据内容关键词自动判断领域。原文档给出的检测规则如下领域触发关键词典型内容Securityvulnerability, hack, exploit, cybersecurity, attack, defense漏洞、攻击面、防御措施Businessmoney, revenue, profit, market, strategy, business收入机会、市场洞察、增长策略Researchstudy, experiment, methodology, findings, academic研究发现、方法论、学术细节Wisdomphilosophy, principle, life, wisdom, insight, experience人生原则、哲学洞见、实用智慧General其余一切内容关键概念、重要事实、学习机会领域判定决定了后续使用哪些抽取服务、输出哪些领域专属信号点是整个工作流自适应能力的枢纽。五、Step 3按领域调用 LifeOS 服务抽取知识领域确定后工作流切换到对应服务组合。原文档中给出了五个领域的完整服务清单Security安全内容调用mcp__pai__extract_primary_problem与mcp__pai__extract_primary_solution抽取攻击向量、漏洞、防御措施生成技术安全建议Business商业内容同样调用mcp__pai__extract_primary_problem与mcp__pai__extract_primary_solution抽取收入机会、市场洞察、增长策略生成商业行动项Research研究内容学术内容调用mcp__pai__analyze_paper抽取关键发现、方法论洞察、技术细节对研究质量与可复现性进行评级Wisdom智慧内容调用mcp__pai__author_wisdom_aphorism与mcp__pai__create_quotes抽取人生原则、哲学洞见、实用智慧生成可记忆的引语与格言General通用内容调用mcp__pai__create_expanded_summary与mcp__pai__rate抽取关键概念、重要事实、学习机会源码级佐证上述extract_primary_problem等服务对应仓库中 Fabric Patterns 目录下的现成提示词模板。以 extract_primary_problem/system.md 为例其身份设定是审视一篇演示、一篇论文或一生的工作清晰准确地阐明作者认为的世界首要问题并要求输出一句 16 词以内、无任何修饰语的单句这正是安全/商业领域抽取核心问题的底层实现同目录还提供extract_primary_solution、extract_article_wisdom、analyze_paper、summarize_paper、create_summary、rate_content、rate_value等 30 抽取类模式完整清单见 Fabric.md与各领域的服务调用一一对应。此外智慧领域的抽取格言能力与仓库中独立的 ExtractWisdom 技能 互补后者强调先读内容、再按内容自适应构建章节的动态抽取而本工作流强调结构化、可复用的知识包产出。六、Step 4结构化输出格式抽取完成后工作流按固定模板生成结果。原文档给出的完整模板如下 KNOWLEDGE EXTRACTION RESULTS ══════════════════════════════════════════════════ Source: source Type: detected_type Domain: detected_domain ⭐ Quality Rating: 1-10/10 Confidence: 1-10/10 CONTENT SUMMARY: 2-3 sentence summary KEY INSIGHTS: • insight 1 • insight 2 • insight 3 SIGNAL POINTS: • signal point 1 • signal point 2 • signal point 3 ⚡ ACTIONABLE RECOMMENDATIONS: ✅ recommendation 1 ✅ recommendation 2 ✅ recommendation 3 RELATED CONCEPTS: comma-separated list of key terms [Optional sections based on domain:] EXTRACTED WISDOM: (for wisdom content) key quotes and insights ️ TECHNICAL DETAILS: (for security/research content) • technical detail 1 • technical detail 2 ══════════════════════════════════════════════════模板结构解读头部元数据来源、类型、领域、质量评分1-10、置信度1-10——这五个字段让结果可被排序、过滤和追根溯源核心区块内容摘要2-3 句、关键洞察3 条起、信号点3 条起、可执行建议3 条起、关联概念逗号分隔的关键词列表领域可选区块智慧类内容追加EXTRACTED WISDOM引语与洞察原文安全/研究类内容追加TECHNICAL DETAILS技术细节条目。这套元数据 摘要 洞察 信号 行动项的结构与 Research 技能整体的置信度标签化输出[HIGH]/[MED]/[LOW]/[CONFLICT]见 SKILL.md一脉相承保证了抽取结果可以直接进入知识库、工作流或下游写作技能复用。七、领域专属信号点Domain-Specific Signal Points信号点Signal Points是本工作流区别于普通摘要的关键产物。原文档按领域给出了信号点关注清单Security安全领域识别到的新型攻击向量推荐的防御策略漏洞评估技术提及的安全工具与框架Business商业领域识别到的收入机会发现的市场洞察概述的商业策略记录的增长战术Research研究领域总结的研究发现抽取的方法论洞察识别的关键贡献记录的未来工作方向Wisdom智慧领域识别的人生原则抽取的哲学洞见发现的实用智慧强调的普遍真理可以看出信号点捕捉的是内容中值得跟进、值得入库、值得触发后续行动的信息单元而非泛泛的事实罗列——这正是信号二字的意义它们应当进入你的知识管理或决策流程。八、质量评分标准Quality Rating Criteria每个抽取结果都会打上 1-10 的质量分用于衡量该内容源本身的价值。原文档给出的评分标尺如下分数含义9-10全面、可行动、高价值的洞察7-8良好的洞察附带清晰建议5-6中等价值部分有用信息3-4洞察有限基础信息1-2质量差或内容不足该评分与输出模板中的Quality Rating字段直接对应可帮助你在处理大量输入源时快速筛选高价值内容、淘汰低质量来源。九、工作流在 Research 技能中的定位与集成从 Research/SKILL.md 的工作流路由表可以看到ExtractKnowledge与ExtractAlpha、Retrieve、WebScraping、YoutubeExtraction、Fabric等并列为该技能的子工作流各自承担不同职责ExtractAlpha抽取 alpha / 深度分析 / 最高价值洞察Retrieve内容访问困难CAPTCHA、反爬、封锁时的检索兜底YoutubeExtractionYouTube 转写专用fabric -y URLFabric从 242 现成提示词中选择正确模式处理内容ExtractKnowledge从内容中抽取结构化知识与信号点。实战中可组合使用例如先用YoutubeExtraction拿到视频文本再对文本执行extract-knowledge得到结构化知识包或对同一内容先ExtractWisdom抽智慧、再extract-knowledge抽信号实现智慧 信号双通道收割。所有工作流执行完毕后还需按技能规范向~/.claude/LIFEOS/MEMORY/SKILLS/execution.jsonl追加一条 JSONL 执行日志含时间戳、工作流名、输入摘要、状态与耗时以保证可审计性。十、使用前提与注意事项依赖项本工作流依赖 Fabric CLIfabric命令与可用的 MCP 服务Bright Data 的scrape_as_markdown、pai 系列抽取服务。使用前请确认对应 CLI 与 MCP 服务器已配置可用否则 YouTube / 网页抓取与领域抽取环节会失败领域检测是关键词启发式的--focus显式指定可绕过自动检测在内容主题混杂或关键词不明显时建议显式指定以获得更精准的信号点与可选区块长内容建议分块对于超长视频或长文档可参考 ExtractWisdom 技能的实践——不要尝试一次抽取 3 小时播客的完整转写先分块再合并结果定位本工作流产出的是结构化知识包适合作为后续研究、写作或知识库入库的中间产物而非最终交付物。十一、小结extract-knowledge是 LifeOS 把任意内容 → 结构化知识这条流水线工程化的一个典型实现以来源类型检测和领域自动判定为入口以 Fabric、Bright Data MCP、pai 系列抽取服务为执行引擎以固定模板元数据 摘要 洞察 信号点 行动项 领域可选区块为出口并用 1-10 质量评分保证结果的可用性。无论你处理的是安全研究报告、商业分析、学术论文还是演讲视频都可以用一条命令把它变成可复用、可入库、可驱动行动的知识资产。【免费下载链接】LifeOS⛰️ The Life Operating System — an intent engineering platform that moves you from your current state to your ideal state, in life and work.项目地址: https://gitcode.com/GitHub_Trending/pe/LifeOS创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考