用途：mini-context-graph 用于构建持久化、可累积的知识库，把 Karpathy 的 LLM Wiki 模式与结构化知识图谱结合。与每次查询都重新检索的标准 RAG 不同，它让知识在每次摄入后不断变厚。
三层结构：原始来源层把文档不可变地存入 data/documents.json，保留分块与元数据；维基层在 wiki/ 下由 LLM 撰写和维护 Markdown 页面（摘要、实体页、主题综述），交叉引用已内置；图谱层把实体与关系抽取一次后存入 data/graph.json，可用 BFS 遍历回答结构性问题，每个节点和边都通过溯源链接回支撑文本。LLM 负责写作，Python 工具负责所有簿记。
主要能力：摄入文档时抽取实体与关系并写入图谱，同时生成维基摘要页、更新实体页与主题页；查询时先查维基（快速路径），需要更深遍历时调用带证据的查询，返回子图、支撑文档与证据链；支持维基关键词搜索、页面读写、操作日志与健康检查（孤立页、缺失页、断链、孤立节点）。
使用方式：通过 scripts.contextgraph 的 ContextGraphSkill 与 scripts.tools 的 wiki_store 调用。摄入用 skill.ingest_with_content(doc_id, title, source, raw_content, entities, relations)，查询用 skill.query_with_evidence(query)，维基搜索用 wiki_store.search_wiki(query)，健康检查用 wiki_store.lint_wiki()。完整可运行示例见 scripts/template_agent_workflow.py。
限制与约束：不得虚构文本中不存在的实体；无明确文本证据不得添加关系；置信度低于 0.6 的边不添加；每个实体和关系都要提供 supporting_text 以支持溯源；遍历深度不超过 2（MAX_GRAPH_DEPTH），仅使用置信度 ≥ 0.6 的边（MIN_CONFIDENCE），最多返回 50 个节点（MAX_NODES）；不得捏造图中不存在的节点或边。具体安装命令与收费信息暂未提供。