SuperAPI AI 工具集

knowledge-ops

通用与其它

查看项目

更新于 11-16 16:13

技能介绍

用途

Knowledge-ops(知识运营)用于跨会话构建和维护结构化、持久化的知识图谱。它把每次会话中产生的临时发现转化为可复用的情报——连接实体、随时间跟踪置信度,并支持在不同任务之间进行回忆。

没有 knowledge-ops,每次会话都从零开始;有了它,每次会话都建立在上一次的基础上。

  • 领域:knowledge(知识运营)
  • 技能 ID:knowledge-ops
  • 版本:1.0.0
  • 相关技能:codebase-onboarding、deep-research、social-intelligence

核心概念

知识单元(Knowledge Unit):知识图谱的原子元素。每个单元包含 id、type、created、updated、confidence、tags、content、source、linked_to、expires 等字段。示例:

{
  "id": "KU-2026-05-001",
  "type": "finding | entity | relationship | pattern | hypothesis",
  "created": "2026-05-11",
  "updated": "2026-05-11",
  "confidence": 78,
  "tags": ["auth", "JWT", "CVE"],
  "content": "The auth service uses HS256 with a static secret in config.go:45",
  "source": "codebase-onboarding:auth-service",
  "linked_to": ["KU-2026-04-012", "KU-2026-05-003"],
  "expires": null
}

知识图谱(Knowledge Graph):由相互链接的知识单元构成的网络。单元之间的关系可揭示:攻击链(A → B → C = 完整利用路径)、模式复现(同一漏洞类型出现在多个目标上)、置信度演化(一个发现被确认 3 次 = 更高置信度)。

知识库(Knowledge Base):按领域(目标、技术、漏洞类型)组织的知识图谱集合。以带结构化 frontmatter 的 markdown 文件形式存储在 memory/ 目录中。

知识类型

  • entity:人、系统、域名、IP、组织,例如 target.com、admin@target.com、192.168.1.1
  • finding:关于目标的已发现事实,例如搜索端点存在 SQL 注入
  • relationship:两个实体之间的链接,例如用户 X 管理系统 Y
  • pattern:反复出现的漏洞或行为,例如该组织一贯使用过时的 JWT 库
  • hypothesis:未确认、需要验证,例如管理门户可能可通过 VPN 绕过访问
  • intelligence:聚合、分析后的洞察,例如目标组织补丁管理实践较差

方法论

阶段 1:捕获——从会话输出中提取知识单元:在 codebase-onboarding 之后捕获架构图、安全面、置信度分数;在 deep-research 之后捕获关键发现、IOC、CVE、关联实体;在 social-intelligence 之后捕获情绪、关键行为者、时间线事件;在一次利用尝试之后捕获哪些成功、哪些失败以及原因。

阶段 2:结构化——为每个单元分配类型、标签、置信度和链接,建立相关单元之间的关系。

阶段 3:存储——将结构化单元写入相应的 memory 文件,遵循命名约定:memory/YYYY-MM-DD-[topic].md。

阶段 4:检索——在会话开始时,查询知识库以获取相关单元,使用标签、实体名称和链接 ID 来呈现先前上下文。

阶段 5:维护——随着发现被确认或反驳更新置信度分数,标记过期情报,移除被证伪的陈旧假设。

置信度模型

置信度分数表示对知识单元的确定程度:

  • 0–25:推测——无证据,标记为假设
  • 26–50:未确认——单一来源,需要验证
  • 51–75:可能——多个一致信号,谨慎使用
  • 76–90:高置信度——独立确认,可据此行动
  • 91–100:已验证——已演示/已利用,视为事实

置信度不是静态的。以下情况需更新:第二个来源确认某发现(+15 到 +25);本应成功的尝试失败(-10 到 -30);确认某 CVE 影响目标(+20);假设被证明为假(设为 0,标记归档)。

存储格式

知识文件模板:

---
id: KU-[YYYY]-[MM]-[NNN]
type: [finding|entity|relationship|pattern|hypothesis|intelligence]
target: [target name or scope]
confidence: [0-100]
created: [YYYY-MM-DD]
updated: [YYYY-MM-DD]
tags: [tag1, tag2, tag3]
linked: [KU-ID-1, KU-ID-2]
source: [skill that produced this]
expires: [YYYY-MM-DD or null]
---

## Detail

[Full context, evidence, commands used, observed behavior]

## Connections

- **Confirms**: [what this validates]
- **Contradicts**: [what this disproves]
- **Leads to**: [next investigation or action]

## Confidence History

| Date | Score | Reason |
|------|-------|--------|
| [date] | [score] | [why this score] |

使用场景

  • 目标情报积累:跨多个会话跟踪关于某目标学到的一切
  • 漏洞模式跟踪:识别同一弱点在不同系统中出现的情况
  • 跨任务情报:识别不同目标之间的复现模式(组织级行为)
  • 渗透测试报告准备:聚合结构化发现以生成最终报告
  • 知识交接:将完整上下文传递给另一个会话或团队成员

检测方法

知识库审计:记录访问异常(短时间内批量访问大量文档);跨租户数据访问(用户访问其租户之外的文档);向量存储投毒(嵌入远离聚类中心的文档);检索异常(特定查询持续检索相同文档,即后门特征)。

SIEM 检测规则:Splunk SPL:index=kb sourcetype=document_access | stats dc(doc_id) by user_id | where dc > 100;自定义知识库监控:对 RAG 检索模式进行异常检测。

防御规避技术:知识库外泄隐蔽——将文档读取分散到多个查询、控制节奏低于速率限制;使用合法搜索、模仿分析师搜索行为、避免批量导出模式;缓存结果、避免重复查询相同文档以减少读取计数异常。向量存储投毒隐蔽——匹配嵌入分布、使投毒文档靠近合法聚类中心;基于触发的后门、仅在特定查询模式时激活;跨租户索引、在租户 A 中索引投毒内容以影响租户 B 的查询(若未隔离)。

集成

  • 输入来自:codebase-onboarding、deep-research、social-intelligence,以及任何产生发现的技能
  • 输出到:article-writing(用于报告)、MEMORY.md(用于提炼摘要)
  • 会话启动:在开始任何任务前加载相关知识单元
  • 会话结束:在关闭前将所有新发现捕获到知识库

Hacker Laws 对齐

  • Law 3(Intelligence Over Force):积累的知识使后续每次会话更有效
  • Law 8(Learn from Every Operation):系统性地捕获哪些有效、哪些失败
  • Law 9(Systematic Over Random):结构化知识图谱胜过随机记忆