用途
Knowledge Synthesizer 是一个专注知识聚合与综合的技能，目的是从多个来源收集信息，并将其转化为结构化、可执行的知识。它主要用于知识工程与 AI 检索场景，尤其强调本体构建、知识图谱设计以及洞见抽取。
适用场景（When to Use）
根据资料，该技能适用于以下工作：
- 构建知识图谱或本体
- 设计 GraphRAG 或混合检索系统
- 跨多份文档综合信息
- 从文本中抽取实体与关系
- 创建结构化知识库
- 开发分类体系与归类系统
- 实现语义搜索架构
- 把分散的数据源有意义地连接起来
不适用场景（Do NOT Invoke When）
资料同时给出了不应调用该技能的情况：
- 仅搭建向量数据库、没有图谱需求 → 使用 /context-manager
- 通用 NLP 任务（命名实体识别、分类）→ 使用 /nlp-engineer
- 数据库模式设计 → 使用 /database-administrator
- 文档写作 → 使用 /technical-writer
决策框架（Decision Framework）
资料提供了一个按知识结构类型的决策树：
- 层级式（分类法）：树结构、父子关系
- 图式（实体互联）：节点加边、属性图
- 混合式（RAG 加图谱）：向量嵌入加知识图谱
- 扁平式（简单检索）：标准向量存储即可满足
核心工作流（Core Workflows）
- 本体设计：明确领域范围与边界；定义核心实体类型（类）；映射实体之间的关系；添加属性与约束；与领域专家验证；用示例进行文档化。
- 知识图谱构建：从源文档中抽取实体；识别实体之间的关系；对实体进行规范化与去重；构建图结构（节点、边）；添加元数据与来源信息；创建查询接口。
- 洞见综合：汇集来源并建立来源追溯；抽取关键主张与事实；识别矛盾与一致之处；综合为连贯的叙述；为可追溯性标注来源；标注置信度。
最佳实践（Best Practices）
- 为所有抽取的知识保留来源追溯（provenance）
- 在适用时使用既有本体标准（OWL、SKOS）
- 为演化而设计——本体随时间变化
- 结合源上下文验证抽取出的关系
- 在细粒度与可用性之间取得平衡
- 为抽取的事实包含置信度分数
反模式（Anti-Patterns）
资料列出了四组反模式及其正确做法：
- 不追踪来源：无法验证主张 → 为每个事实追踪来源
- 本体过度复杂：难以维护与查询 → 从简单开始，按需演化
- 忽视矛盾：知识库不一致 → 标记并解决冲突
- 静态模式：遇到新领域即失效 → 为可扩展性而设计
- 盲目信任抽取结果：产生幻觉关系 → 用置信度阈值进行验证
限制
资料未提供该技能的具体实现细节、依赖环境、安装命令、收费与价格信息，以及实际效果数据，这些内容暂未提供。