shenjj2025-oss Knowledge Graph Curator — 外脑知识图谱构建与沉淀
版本：v1.0 | 分类：文化与组织运营 | 优先级：P1 作者：稷下 | 对标：Notion + Roam Research × Zettelkasten × 麦肯锡知识管理 触发场景：活动后24小时 / 项目复盘后 / 重要洞察产生时 / 定期知识梳理
核心价值
将俱乐部沙龙、项目复盘、外部情报等产生的认知成果，结构化沉淀到军团的"外脑知识图谱"中，供全员检索、复用、迭代，让军团的智慧持续积累而非流失。
知识管理最佳实践
Zettelkasten（卢曼卡片盒）
尼尔斯·卢曼的卡片盒方法：
- 每条知识是一个独立的"卡片"
- 卡片之间通过链接形成网络
- 知识的价值在于链接，而非存储
稷下对齐：每条认知成果（Insight）必须包含"链接到其他知识"的连接，形成知识网络。
麦肯锡知识管理
麦肯锡的知识沉淀原则：
- 每次项目结束必须沉淀"经验教训"
- 知识库可供所有顾问检索
- 知识贡献是晋升考核的一部分
稷下对齐：每次活动/项目后，知识沉淀是强制流程。
知识图谱架构
KNOWLEDGE_GRAPH = {
"nodes": {
"insight": "独立洞察（最小单元）",
"person": "人物（碳基/硅基）",
"project": "项目/任务",
"event": "事件/活动",
"concept": "概念/方法论"
},
"edges": {
"relates_to": "相关洞察",
"contributed_by": "贡献者",
"applied_in": "应用场景",
"derived_from": "来源",
"supersedes": "替代旧知识"
}
}
节点定义
| 节点类型 | 说明 | 示例 |
|---|---|---|
| insight | 最小知识单元 | "顶级人才吸引的核心是使命，而非薪酬" |
| person | 人物档案 | 张博士、李总监 |
| project | 项目档案 | "烛龙量化2.0" |
| event | 活动档案 | "反共识沙龙#3" |
| concept | 概念定义 | "π型人才"、"蓝血文化" |
边关系定义
RELATIONSHIP_TYPES = {
"insight_to_insight": [
"supports", # A支持B
"contradicts", # A反对B
"refines", # A细化B
"supersedes" # A替代B
],
"insight_to_person": [
"authored", # 某人创建
"verified_by", # 某人验证
"applied_by" # 某人应用
],
"insight_to_project": [
"applied_in", # 在某项目应用
"learned_from" # 从某项目学到
]
}
知识沉淀流程
触发场景1：活动后24小时
反共识沙龙 / 失败复盘会 / 黑客松结束后
↓
稷下提取认知成果
├── 核心洞察（每条50字以内）
├── 关键引用（嘉宾/会员的原话）
├── 可执行建议（如果有）
└── 无知区域（本次活动发现的新问题）
↓
创建insight节点 + 建立关系边
↓
同步到知识图谱
↓
通知相关Agent/会员（如果有关联）
触发场景2：项目复盘后
项目结束 → 天枢发起复盘 → 稷下协助沉淀
↓
提取：
- 成功因素（为什么成功）
- 失败教训（哪里做错）
- 可复用方法（下次可用）
- 认知盲区（我们不知道的）
↓
创建节点 + 建立项目关联
触发场景3：人才接触沉淀
每次与候选人接触后（无论成功与否）
↓
沉淀：
- 候选人的关键洞察
- 对军团有价值的信息
- 接触学到的市场动态
↓
更新person节点 + 创建insight节点
输出格式
insight_id: "INS-2026-0503-001"
content: "顶级人才的吸引，核心是'使命共鸣'而非'薪酬竞争'。候选人更看重'这件事是否有意义'。"
type: "recruiting_wisdom"
confidence: 0.88
source:
type: "conversation"
event_id: "沙龙#3"
date: "2026-05-03"
contributors: ["张博士", "李总监"]
relations:
supports: ["INS-2026-0420-003"] # 相关洞察
related_people: ["张博士"]
applied_in_projects: ["人才战略优化"]
tags:
- talent_attraction
- mission_driven
- recruiting_wisdom
retrieval_hint: "想吸引顶级人才？先展示使命，而非薪酬"
next_review: "2026-08-03" # 3个月后复看
检索接口
def retrieve_knowledge(query, filters=None):
"""
知识检索入口
用法示例：
retrieve_knowledge("人才吸引")
retrieve_knowledge("量化", filters={"type": "insight", "min_confidence": 0.8})
retrieve_knowledge("张博士相关洞察")
"""
# 实现：基于关键词 + 向量相似度检索
return ranked_results
检索结果示例
用户问：如何吸引量化领域的顶级人才？
稷下 → 知识图谱检索 → 返回：
相关洞察：
1. [INS-2026-0503-001] 顶级人才吸引核心是使命共鸣（置信度88%）
2. [INS-2026-0415-002] 量化人才更看重技术挑战深度（置信度82%）
3. [INS-2026-0401-008] Offer Package中AI副官是差异化价值（置信度91%）
相关人物：
- 张博士（量化专家，曾参与沙龙#2）
相关项目：
- 烛龙量化2.0（正在招聘量化PM）
踩坑记录
坑1：知识碎片化
- 问题：沉淀的知识太零散，无法形成系统
- 解决：每个insight必须包含"retrieval_hint"（用一句话能检索到）
坑2：沉淀延迟
- 问题：活动结束后没有及时沉淀，渐渐遗忘
- 解决：强制24小时沉淀流程，未完成则影响活动评分
坑3：检索效果差
- 问题：知识沉淀了，但检索不到
- 解决：每条insight必须有3个以上的标签，且有retrieval_hint
使用示例
用户：反共识沙龙#3结束，稷下进行知识沉淀
稷下：
1. 提取5条核心洞察
2. 记录3个关键引用
3. 提取2个可执行建议
4. 识别2个"无知区域"
5. 创建insight节点，建立关系边
6. 更新参与者person节点
7. 同步到知识图谱
8. 向相关Agent推送（如果有应用场景）