kb-retriever

本地知识库检索 Skill（kb-retriever）

知识库目录说明

• 知识库存放在一个根目录下，包含多种文件类型（如 .md/.txt、.pdf、.xlsx 等），通常按类型或业务用途拆分为多级子目录。
• 采用分层目录索引文件：
  • 根目录有一个 data_structure.md，说明主要的「领域目录」及其用途。
  • 每个领域目录下可以有自己的 data_structure.md，说明该目录下有哪些子目录/文件，以及各自用途。
  • 更深一层的子目录也可以继续有 data_structure.md，形成多级索引树。
• 知识库根目录约定：
  • 默认认为知识库位于当前项目根目录下的 knowledge/ 目录。
  • 如果用户在对话中明确指定了其他路径（例如“我的知识库在 /data/kb”或“用 ./docs 这个目录作为知识库”），则以用户指定的路径作为根目录。
  • 当默认路径 knowledge/ 不存在或访问失败时，应向用户确认实际的知识库根目录位置，而不是随意猜测。
• 单个业务文件可能很大：
  • 不要直接用 Read 读取整文件
  • 对 PDF、Excel 使用对应 Skill 进行结构化处理后，再结合 grep/局部读取做精细检索

定位 knowledge 根目录

• 根目录优先听用户：如果用户给了路径（如 ./docs、./knowledge-personal），直接用用户提供的路径。
• 默认根目录：否则约定根目录为当前项目下的 knowledge/。
  • 使用 shell 显式检查目录是否存在：优先使用 test -d knowledge，或退而求其次使用 ls -d knowledge。
  • 注意：禁止使用 Glob "knowledge" in . 这类模式来判断目录是否存在，Glob 只返回文件路径，不返回目录本身，空结果并不能区分“目录不存在”和“目录存在但为空”。
• 只有在根目录已通过 test -d 等方式确认存在时，才使用 Glob 在该目录下检索内容，并把目录作为 path，例如：
  • 索引文件：pattern="**/data_structure.md", path="knowledge"
  • 所有 Markdown：pattern="**/*.md", path="knowledge"
• 如果默认 knowledge/ 不存在（test -d 失败）：不要猜测其他目录，明确告诉用户未找到默认根目录，并让用户指定实际知识库路径。

关键原则：先学习，再处理

遇到 PDF 或 Excel 文件时的强制检查清单：

• ✅ 已读取对应的 references 文档学习处理方法
• ✅ 已理解推荐的工具和命令
• ✅ 已将文件处理（提取/转换）完成
• ⏭️ 现在可以开始检索

禁止行为：

• ❌ 在未读取 pdf_reading.md 的情况下直接尝试处理 PDF
• ❌ 在未读取 excel_reading.md 的情况下直接尝试处理 Excel
• ❌ 跳过文件处理步骤，直接对原始 PDF/Excel 进行检索

总体流程

1. 理解用户需求

   • 读用户问题，提取：
     • 主题/领域关键词（如“销售报表”“系统架构”“接口文档”）
     • 时间或范围限定（如“2023 年 Q1”“最近版本”）
     • 需要的输出类型（解释、摘要、具体字段数值等）
   • 确定知识库根目录：
     • 优先检查用户是否在问题中指定了知识库路径。
     • 否则使用默认根目录 knowledge/。
     • 若默认根目录不存在或目录结构异常，应向用户询问确认，而不是自行假设。

2. 分层查看目录索引 data_structure.md

   • 使用一个「当前工作目录」的概念：
     • 默认从用户指定的知识库根目录开始；如果用户未指定，则使用当前目录。
   • 在当前工作目录下，如果存在 data_structure.md：
     • 使用 Read 读取该文件的前若干行（例如 limit=300），必要时分段继续读取。
     • 目标：
       • 了解当前目录下有哪些子目录和文件
       • 理解每个子目录/文件的用途说明
     • 基于用户问题，挑选最相关的若干个子目录或文件，构成候选集合。
   • 对于候选子目录：
     • 递归进入该子目录，将其作为新的「当前工作目录」，继续查找其中的 data_structure.md 并重复上述过程。
     • 在递归过程中，避免一次性深入所有分支，优先沿着与问题最相关的路径向下钻取。
   • 对于候选业务文件（md/文本、PDF、Excel 等）：
     • 在完成必要的目录层级探索后，收集这些文件为最终的检索目标列表。
   • 在优先级排序时：
     • 优先选择用途说明与问题主题高度匹配的领域目录和文件
     • 其次考虑时间/版本等约束（如果索引中有体现）
     • 通用说明类文档（如 README.md、总体设计类文档）放在较后优先级

3. 学习文件处理方法（遇到 PDF/Excel 时强制执行）

   • 在处理 PDF 文件前：
     • 必须先读取 references/pdf_reading.md（注意这个目录位于 Skills 目录下，而不是 Knowledge 目录下）学习提取方法
     • 重点了解：pdftotext 命令、pdfplumber 用法、表格提取方法
   • 在处理 Excel 文件前：
     • 必须先读取 references/excel_reading.md学习读取方法
     • 必须先读取 references/excel_analysis.md学习分析方法
     • 重点了解：pandas 读取、列筛选、数据过滤
   • 目的：确保使用正确的工具和方法，避免盲目检索

4. 按文件类型执行处理和检索

   • 使用刚学到的方法处理文件（提取、转换、结构化）
   • 对每类候选文件，按照下面「Markdown/文本」「PDF」「Excel」策略执行
   • 总原则：
     • 优先从最相关、最精确的文件开始
     • 每个文件内都渐进式地局部检索，避免一次性加载全内容
     • 若当前文件得不到满意信息，切换到下一个候选文件

5. 迭代检索

   • 所有文件类型都使用统一的「多轮迭代检索机制」（见上文公共检索原则）

6. 答案组织与溯源

   • 汇总多轮检索得到的上下文，综合回答用户问题。
   • 尽量：
     • 给出清晰、直接的回答
     • 指出使用过的文件名（必要时包含大致位置，如章节或大概行数/页数）
   • 如果答案基于推断或信息不完全：
     • 明确标注假设与不确定性
     • 提示用户可以补充更具体的文件范围或关键词

公共检索原则

关键词选择策略

• 从用户问题提取 3-8 个关键词（含可能的英文缩写、同义词、上位/下位词）
• 可组合词组（如 "销售 报表"、"API 接口 超时"）
• 必要时包含业务词、技术术语、常见缩写（如 "uv"、"pv"、"GMV"）

grep 检索基本原则

• 始终指定尽量精准的 include 和 path，避免搜索整个目录
• pattern 优先尝试问题中的核心名词、术语，再尝试同义词
• 对于每个命中，只读取匹配附近的局部区域（上下若干行）
• 保存「文件名 + 位置信息 + 文本片段」

多轮迭代检索机制（最多 5 次）

所有文件类型都采用统一的迭代策略：

1. 迭代控制
   • 维护「已尝试检索次数」计数，最多 5 次
   • 每次检索后累加计数
2. 每轮迭代流程
   1. 基于问题生成/更新检索关键词（可包括同义词、扩展词）
   2. 选择尚未充分检索的文件或文件部分
   3. 执行检索（grep/局部读取/专用 Skill 调用）
   4. 分析获取的上下文片段
   5. 判断是否足够回答问题
3. 终止条件
   • 找到足够支撑回答的上下文；或
   • 已达到 5 次尝试仍未找到合适信息
4. 信息不足时的处理
   • 明确告知用户信息缺失或可能不在当前知识库中
   • 提供已找到的最接近信息，并说明不确定性
   • 提示用户可以如何缩小范围（更具体的文件名、关键词、时间范围等）

注意事项

• 禁止第一次就直接调用：Glob "knowledge" in . 或任何试图用 Glob 判定目录存在性的调用，目录存在性应通过 shell 命令（如 test -d）检查。
• 使用本 Skill 查询知识库时，禁止使用网络搜索等其他工具获取知识

针对不同文件类型的具体策略

1. Markdown / 文本类文件（.md, .txt, .log 等）

1. 候选文件选择

   • 根据 data_structure.md 和文件名、路径判断相关度
   • 优先检索标题和目录类文件（如汇总文档、设计总览）

2. grep 定位与局部读取

   • 使用 Grep 工具对指定候选文件，include 限定具体后缀（如 "*.md"）
   • 对于有匹配的文件，使用 Read 仅读取匹配附近的局部区域：
     • 通过行号偏移和 limit 控制读取（例如从匹配行附近往前后各读取几十行）
     • 避免整文件读取

3. 特殊处理

   • 如内容仅是目录/标题，根据链接或小节名继续定位深入内容
   • 应用「多轮迭代检索机制」（见上文公共检索原则）

2. PDF 文件检索策略

工作流：

1. 首先：读取处理方法指南

   • 在处理任何 PDF 之前，必须先读取 references/pdf_reading.md（注意这个目录位于 Skills 目录下，而不是 Knowledge 目录下）
   • 重点了解：pdftotext 命令、pdfplumber 用法、表格提取方法、快速决策表

2. 选择候选 PDF

   • 根据 data_structure.md 中的描述，选择最相关的 1-3 个文件
   • 如果用户指明具体 PDF 文件，则优先使用该文件

3. 应用学到的方法提取文本

   • 使用 pdf_reading.md 中推荐的工具（优先 pdftotext 或 pdfplumber）
   • 重要：使用 pdftotext input.pdf output.txt 将文本提取到文件，不要直接输出到 stdout（避免占用大量 token）
   • 如需提取表格，使用 pdfplumber 的表格提取功能

4. 对提取结果执行检索

   • 使用 grep 对提取的文本进行关键词搜索
   • 对于每个命中，提取命中附近范围的上下文（上下数十行或相邻几页）
   • 保存「文件名 + 页码/大致位置 + 文本片段」
   • 应用「多轮迭代检索机制」（见上文公共检索原则）

3. Excel 文件检索策略

工作流：

1. 首先：读取处理方法指南

   • 在处理任何 Excel 之前，必须先读取：
     • references/excel_reading.md - 学习如何读取工作表（注意这个目录位于 Skills 目录下，而不是 Knowledge 目录下）
     • references/excel_analysis.md - 学习如何分析数据（注意这个目录位于 Skills 目录下，而不是 Knowledge 目录下）
   • 重点了解：pandas 读取方法、列筛选、数据过滤、聚合操作

2. 选择候选 Excel

   • 根据 data_structure.md 和文件/工作表命名，选择最相关的表
   • 优先选择包含「报表」「统计」「日志」「配置」「映射」等关键词的工作簿/工作表
   • 若用户指明具体 Excel 文件，优先使用该文件

3. 应用学到的方法探索结构

   • 使用 pandas 读取前 10-50 行（使用 nrows 参数限制）
   • 重点掌握：列名/字段名、数据类型（数值、日期、文本）、关键字段
   • 将列名与用户问题比对，识别潜在关键字段（如「收入」「销售额」「error_code」等）

4. 执行数据检索和分析

   • 使用学到的 pandas 方法进行过滤和聚合（如 df[df['column'] == value]）
   • 每次只读取匹配行附近的数据，避免一次性读取整表
   • 如问题包含时间范围，在检索中加入时间过滤
   • 应用「多轮迭代检索机制」（见上文公共检索原则）

与其他工具的协同

PDF 处理

• 在处理 PDF 前必须先读取 references/pdf_reading.md 学习处理方法
• 使用 pdfplumber/pypdf 进行文本提取、表格提取、元数据读取
• 优先使用 pdftotext 命令行工具进行快速文本提取

Excel 处理

• 在处理 Excel 前必须先读取：
  • references/excel_reading.md - 学习读取方法
  • references/excel_analysis.md - 学习分析方法
• 使用 pandas 进行数据探索、预览、过滤和分析

工具使用原则

• Grep：用于按关键词在指定文件中查找行号与匹配片段，始终指定尽量精准的 include 和 path
• Read：只用于局部读取文件，始终设置合理的 limit（如 200-500 行）和合适的偏移
• 对于任何可能很大的文件：
  • 禁止直接从头读到尾
  • 始终先通过索引、目录、关键词等方式缩小范围后再读

回答风格与错误处理

• 回答风格
  • 尽量用用户提问的语言（中文/英文）作答。
  • 先给出结论，再给出简要依据。
  • 如需要，可在后面列出引用的文件和大致位置，例如：
    • 来源：design/api_gateway.md 第 100 行附近
    • 来源：reports/2023_Q1_sales.xlsx Summary 工作表
• 信息缺失或不确定时
  • 明确说明在当前知识库中没有找到完全匹配的信息或只能部分回答。
  • 不臆造事实。
  • 提示用户可以如何帮助缩小范围：
    • 指定更具体的目录/文件
    • 提供更精确的关键词或字段名
    • 指定时间/版本范围

---

Kb Retriever Skill — Local Knowledge-Base Retriever

A skill for AI agents to efficiently answer questions over a local, multi-format knowledge directory using hierarchical index navigation and progressive retrieval — without ever loading whole files into context.

中文文档 · Back to collection root

What it does

Point the agent at a local directory full of mixed-format files (Markdown, PDF, Excel, …) and ask questions in natural language. The skill:

1. Walks a hierarchical index of data_structure.md files to figure out which files are likely to contain the answer.
2. Forces a learn-before-process step when it hits a PDF or Excel — it must read the corresponding references/*.md first and use the recommended tool, instead of blindly reading the whole file.
3. Retrieves progressively with grep + small windowed reads (offset/limit) instead of dumping entire files into context.
4. Iterates up to 5 rounds, narrowing keywords each round until it has enough evidence to answer.

---

Core features

• ✅ Multi-format: Markdown / text, PDF, Excel — extensible per file type.
• ✅ Hierarchical index: each directory carries its own data_structure.md, forming an index tree the agent navigates.
• ✅ Progressive retrieval: grep-first, windowed reads, never whole-file loads — keeps token usage low even on large corpora.
• ✅ Mandatory learning step: PDF/Excel processing is gated on reading the right references/*.md first.
• ✅ Bounded iteration: at most 5 retrieval rounds, with explicit termination conditions.

---

Skill structure

skills/kb-retriever/
├── SKILL.md                            Main skill (frontmatter name: kb-retriever)
├── README.md  /  README.zh-CN.md       This document
├── references/
│   ├── pdf_reading.md                  How to handle PDFs (pdftotext / pdfplumber / pypdf)
│   ├── excel_reading.md                How to read Excel with pandas (nrows, dtype, etc.)
│   └── excel_analysis.md               How to filter / aggregate / derive metrics on Excel
└── scripts/
    └── convert_pdf_to_images.py        Convert PDF pages to images when text extraction fails

---

Setting up your knowledge base

This skill does not ship a knowledge base — you bring your own. Two ways to wire it up:

Default location

Put a knowledge/ directory at the root of the workspace where you invoke the agent:

your-project/
├── .claude/skills/  or  .agents/skills/
│   └── kb-retriever/             ← this skill folder
└── knowledge/                    ← ← ← your knowledge base
    ├── data_structure.md         (root-level index, see template below)
    ├── <domain-1>/
    │   ├── data_structure.md
    │   └── ...
    └── <domain-2>/
        └── ...

Custom location

Tell the agent which path to use in your question, e.g. "answer from ./docs" or "my knowledge base is at /data/kb". The skill will use that path instead.

If the default knowledge/ does not exist and the user hasn't specified a path, the skill will ask rather than guess.

data_structure.md template

Each indexed directory should carry one of these:

# [Directory name]

## Purpose
What this directory is for and when it should be searched.

## Files
- file1.pdf — what it contains, time / version range
- file2.xlsx — schema summary, key columns
- subdir/ — what lives in this subdirectory

## Coverage
Time range, version, source, anything else that helps the agent prioritize.

---

How it retrieves

1. Hierarchical index navigation

For each directory level the skill reads data_structure.md, picks the most relevant child(ren) for the user's question, and recurses — so it doesn't fan out across the whole tree.

2. Learn before process (PDF / Excel)

When the candidate set contains a PDF or Excel file, the skill must first read the corresponding reference doc:

✅ Read references/pdf_reading.md  /  excel_reading.md  /  excel_analysis.md
✅ Understand the recommended tool & flags
✅ Convert / extract the file with that tool
⏭️  Then start retrieving

Forbidden:

• ❌ Trying to process a PDF without reading pdf_reading.md
• ❌ Trying to process an Excel without reading excel_reading.md / excel_analysis.md
• ❌ Skipping the conversion step and grepping the raw binary

3. Progressive retrieval

• Don't read whole files.
• Use grep to locate keywords first.
• Read only the matching window (limit ≈ 200–500 lines).
• Iterate up to 5 rounds, refining keywords.

4. Per-format tool strategy

Format	Tool	Notes
Markdown / text	grep + windowed read_file	Always offset/limit; never whole-file.
PDF	pdftotext input.pdf output.txt → grep on the text	Always extract to a file, never to stdout. Use -f / -l for page ranges on huge PDFs.
Excel	pandas with nrows first to learn schema, then filtered reads	Identify key columns (id / time / category) before querying.

5. Iteration loop

Each round:

1. Generate / update keywords
2. Pick under-explored candidate files
3. Run grep / windowed reads
4. Inspect snippets
5. Decide: enough to answer? → stop. Otherwise iterate.

Stops on either: answer found ✅, or 5 rounds reached ⏱️.

---

Best practices

Recommended

1. Always start from data_structure.md.
2. Read the matching references/*.md before touching a PDF or Excel.
3. Retrieve from the most relevant file first; expand only if needed.
4. Use offset + limit to read precise windows.
5. Extract PDFs to files, then grep — never paste the binary into context.

Avoid

1. ❌ Reading entire large files in one go.
2. ❌ Processing PDF / Excel without reading the references first.
3. ❌ pdftotext input.pdf - (stdout) — eats tokens.
4. ❌ Loading a whole Excel sheet at once.
5. ❌ Blind search across all directories.

---

FAQ

Q1: Why force the agent to read references/*.md first? To make sure the agent uses the right tool with the right flags — otherwise it tends to either dump huge files into context or pick a slow / broken tool.

Q2: How do I handle a very large PDF? Use page-ranged extraction (pdftotext -f 1 -l 10), grep the resulting text, then read only the matching pages.

Q3: Can my knowledge base live anywhere? Yes. Just say so in your question: "answer from /data/my-kb".

Q4: How do I improve retrieval accuracy? Use specific keywords, narrow down with time / file-name hints, and prefer domain-specific terminology over generic words.

---

Tool requirements

The skill assumes the agent has access to:

• grep — text search
• read_file — windowed reads with offset / limit
• pdftotext (poppler) or pdfplumber — PDF text extraction
• pandas — Excel reads & analysis

scripts/convert_pdf_to_images.py is provided for the fallback case where text extraction yields nothing useful (scanned PDFs).

---

License

MIT