InkPot - 墨池

砚田勤耕，墨香留痕。让AI陪你沉淀每一份知识。

英文名: InkPot（墨水瓶，寓意知识的源泉）

核心理念

墨池始终在线，在日常对话中：

1. 自动识别知识点 - 你问什么，墨池就沉淀什么
2. 分析用户行为 - 你让AI做什么，墨池就懂你擅长什么
3. 建立用户画像 - 记录你的擅长领域、兴趣点、常用技能
4. 智能推荐 - 基于画像推荐相关知识

⚡ 始终在线模式（重要）

墨池在每次对话开始时自动加载，全程监听所有用户输入。

自动触发策略

墨池采用全量监听 + 智能提取模式：

简单说：你说什么，墨池就学什么。

触发规则（暴力模式）

核心触发条件：只要用户输入包含以下任一关键词/符号，立即触发知识提取！

暴力触发关键词（疑问句全覆盖）

触发后的行为

一旦触发，墨池自动执行：

1. 提取用户问题中的核心概念
2. 创建/更新知识点
3. 更新学习日志和用户画像

命令触发

不触发的场景

仅有以下情况不触发：

• 纯命令执行（如"打开文件"、"运行xx"，且不含问号/疑问词）
• 问候语（"你好"、"谢谢"）

自动执行流程

触发学习后，墨池自动执行：

学习流程:
  1. 知识提取:
     - 识别核心概念
     - 提取关键信息
     - 确定知识分类

  2. 知识存储:
     - 检查是否已存在（查询索引数据库）
     - 存在 → 更新学习次数、补充内容
     - 不存在 → 创建新知识点

  3. 索引更新:
     - 更新 db/knowledge_index.json
     - 更新 db/user_profile.json
     - 建立知识关联

  4. 反馈（可选）:
     - 关联推荐
     - 复习提醒

数据库结构

墨池/
├── SKILL.md
├── inkpot.py                   # 核心库（KV 文本格式）
├── record.py                   # 快速记录接口
├── db/
│   ├── knowledge_index.txt     # 知识点索引（KV 格式）
│   ├── user_profile.txt        # 用户画像（KV 格式）
│   └── learning_log.txt        # 学习日志（行格式）
├── knowledge/                  # 知识点详情 Markdown 文件
│   ├── 算法数据结构/
│   ├── 数学/
│   ├── 计算机基础/
│   └── ...
└── profile/
    ├── index.md
    └── records.md

注意：使用简单 KV 文本格式，避免 JSON 中文引号等格式问题。

知识点索引数据库 (knowledge_index.txt)

使用简单 KV 格式，每个知识点一个块：

=== 差分 ===
id: 算法_001
category: 算法数据结构
tags: 前缀和,区间修改,O1操作
summary: 前缀和的逆运算，用于高效处理区间修改问题
file: knowledge/算法数据结构/差分.md
learning_count: 3
mastery: 熟练
first_learned: 2026-03-25
last_learned: 2026-03-27
related: 前缀和,树状数组,线段树
source: 用户提问

=== 前缀和 ===
id: 算法_002
category: 算法数据结构
tags: 前缀和,区间查询,O1查询
summary: 预处理技巧，O(n)预处理后可O(1)查询任意区间和
...

格式说明：

• === 名字 === 标记知识点开始
• key: value 格式存储字段
• 列表用逗号分隔（如 tags, related）
• 多行文本用换行符即可，无需转义
• 完全不用担心 JSON 引号问题！

用户画像数据库 (user_profile.txt)

KV 格式记录用户身份和行为统计（每个 action 作为独立块）：

=== identity ===
primary_role: 信奥竞赛教练
secondary_roles: 算法学习者,C++开发者
confidence: 0.85

=== action:ask_concept ===
count: 15
topics: 前缀和,差分,树状数组

=== action:搬题 ===
count: 8
topics: ABC450A,ABC450B

=== action:算法讲解 ===
count: 5
topics: 快速排序,二分查找

格式说明：

• === identity === 存储用户身份推断结果
• === action: === 存储各类行为统计（每个行为独立一个块）
• 避免嵌套字典，保持扁平结构

学习日志数据库 (learning_log.txt)

简单行格式，用 | 分隔：

2026-03-29 01:28 | 信息学竞赛数学学习路径 | 新增 | 对话学习
2026-03-29 01:30 | 差分 | 复习 | 用户提问
2026-03-29 02:15 | 快速排序 | 新增 | 算法讲解

格式：时间 | 知识点 | 事件类型 | 触发来源

学习卡片格式

# [知识点名称]

## 一句话解释
[简洁定义]

## 详细解释
[深入说明]

## 关键要点
- 要点1
- 要点2

## 代码示例
```语言
代码

元信息

• id: [唯一标识]
• 分类: [领域/子领域]
• 标签: [标签1, 标签2]
• 学习日期: YYYY-MM-DD
• 学习次数: N
• 掌握程度: 了解/理解/熟练/精通
• 来源: 用户提问 / 任务分析 / 主动学习
• 关联: [[相关知识点1]], [[相关知识点2]]

---

## 使用方式

### 🚀 首次使用（重要）

墨池需要在每次对话开始时自动加载。请告诉 AI：

> "把每次对话加载墨池这件事记到 MEMORY.md 里"

这样 AI 会在记忆中记住这个偏好，之后每次对话都会自动加载墨池。

---

### 方式一：自然对话触发

直接向 AI 提问，墨池会自动识别并记录知识点：

用户: 什么是前缀和？ AI: [回答问题] 墨池: [自动记录"前缀和"知识点]

### 方式二：命令触发

使用 `/墨池` 命令查看和管理知识库：

/墨池 画像 # 查看你的学习画像 /墨池 复习 # 获取智能复习推荐 /墨池 搜索 差分 # 搜索"差分"相关知识点

---

## 快速检索功能

### 1. 关键词搜索

输入: "区间修改" 输出: 匹配的知识点列表（差分、线段树、树状数组）

### 2. 分类筛选

输入: category="算法数据结构" 输出: 该分类下所有知识点

### 3. 标签搜索

输入: tags=["前缀和"] 输出: 包含该标签的所有知识点

### 4. 掌握程度筛选

输入: mastery_level="理解" 输出: 掌握程度为"理解"的知识点（推荐复习）

### 5. 关联查询

输入: knowledge="差分" 输出: 相关知识点（前缀和、树状数组、线段树）

---

**作者**: fslong

**更新日期**: 2026-03-29

**更新说明**: 从 JSON 格式改为简单 KV 文本格式，避免中文引号等格式问题，提高稳定性。