定位：这不是我的知识库，而是我的"知识边界探测器"。 飞书知识库（辰星 · Personal Engineering OS）回答"我已经知道什么"； 本仓库回答"我的边界之外正在发生什么、哪些值得进入"——作为未来 3 个月的 External Knowledge Expansion Layer。
| 层 | 载体 | 职责 |
|---|---|---|
| 内库（系统掌握） | 飞书 · 辰星 Personal Engineering OS | 系统化知识、工程资产、原则、项目复盘 |
| 本仓库（边界探索） | KnowlegeMap | 发现 → 筛选 → 验证 → 连接，不重复沉淀已知 |
| 中间层（待验证） | 飞书 · Validation / Tactics | 把本仓库验证过的对象转成可复现的结论 |
核心原则：不重复收集已系统掌握的领域；只找"相邻但未覆盖"的高价值对象；宁缺毋滥；一切候选以一手证据（官方文档 / 源码 / 论文 / Release）为准。
KnowlegeMap/
├── 00_bootstrap/ ← 首次 Bootstrap 基础资产（本次已生成）
│ ├── 00_bootstrap_overview.md Bootstrap 总结
│ ├── 01_personal_tech_map.md Personal Tech Map
│ ├── 02_knowledge_gap_map.md Knowledge Gap Map
│ ├── 03_project_landscape.md Project Landscape
│ ├── 04_top20_expansion.md Top 20 Expansion Directions（评分矩阵）
│ └── 05_auto_exploration_strategy.md 未来自动探索策略
├── 01_known_territory/ ← 已知领域边界索引（标记覆盖深度，禁止重复收集）
├── 02_active_research/ ← 正在研究的主题（含"关注但未系统化"的）
├── 03_expansion_queue/ ← 探索队列（inbox → candidates → validated）
├── 04_connections/ ← 外部技术 ↔ 现有项目/知识的连接地图
├── 05_scan_logs/ ← 探索扫描日志（时间线）
├── 08_agent_centric/ ← Agent-Centric 资产层（Mode B：能力/工具/技能/Agent/任务/工作流/评估/记忆）
├── 09_agent_engine/ ← Agent-Centric 引擎（可运行最小闭环，纯 Python 标准库）
└── 99_templates/ ← 候选卡 / 扫描日志 / Agent 系列模板
完整索引见 _INDEX.md。
本仓库同时支持两个主体的一等公民：
| Mode A：Human-Centric Cognitive Expansion | Mode B：Agent-Centric Task Expansion | |
|---|---|---|
| 一等公民 | Human（00-07 资产层，保持原样） | Agent（08 资产层 + 09 引擎） |
| 输入 | 我目前知道什么 / 我的认知缺口 | 我要完成什么任务 |
| 输出 | 学习/知识扩展建议 | Capability Tree + Tools + Composition + Workflow + Evaluation + Memory |
| 驱动 | 认知缺口 → 知识发现 | 任务 → 能力树（JIT）→ 能力缺口 → 工具/项目发现 → 组合 → 执行 → 评估 → 能力演化 |
| 共享 | 证据纪律（FACT 优先）、Discovery/Evaluation/Memory、开源知识 | 同左 |
- Human 层：
00_bootstrap → 06_expansion_index（既有流程未改）。 - Agent 层：
09_agent_engine/（python3 -m unittest discover -s tests，31 用例）→ 资产落08_agent_centric/。 - v2 树图分工：Domain Tree 静态组织领域；Capability Tree 任务动态实例化（不同 Task 不同树、JIT 按 agent 状态剪枝）；Capability Graph 表达跨域复用（http-interaction 属 4 领域）；Capability→Skill→Tool→Project 分层。
- v3 Skill Evolution：tool_stats（usage/success_rate/failure_modes）驱动 Skill 版本演进——重排工具、剔除持续失败工具、插入失败检查步骤；演进理由引用真实成功率，样本不足/稳定不产生新版本。
- v4 历史回灌：compose 用历史先验（成功率校准可靠性、历史失败惩罚、唯一提供者保留+警告、恢复解除），闭合"演进→影响未来选择"。
- 原则："需要什么"先于"推荐什么"；Tool Composition 必须解释组合理由；Star 仅弱信号；Agent-Centric ≠ 无限自治（高风险任务强制 approval，EP-002）。
- ✅ 第一阶段：飞书知识库分析完成（7 个知识空间，约 400+ 文档节点）
- ✅ 第二阶段：GitHub 分析完成（14 个公开仓库 + 内库项目 Hub）
- ✅ 第三阶段：Personal Tech Map 建立
- ✅ 第四阶段：Top 20 Expansion Directions（六维评分）
- ✅ 第五阶段：本仓库目录与索引初始化
- ✅ Mode B v1：双扩展模式 + Agent Domain Model + 可运行引擎（14 测试）
- ✅ Mode B v2：Domain Tree + Capability Tree（JIT）+ Capability Graph + Skill 分层（17 测试）
- ✅ Mode B v3：tool_stats 驱动 Skill 版本演进 + 记忆持久化（24 测试）
- ✅ Mode B v4：历史先验回灌 compose（31 测试全通过，自学习闭环完成）
- ⏭ 下一步：按
00_bootstrap/05_auto_exploration_strategy.md持续扫描；按需用09_agent_engine/cli.py驱动任务级能力发现
- Personal Tech Map —— 我的知识世界长什么样
- Knowledge Gap Map —— 我的盲区在哪
- Project Landscape —— 我在做什么项目
- Top 20 Expansion Directions —— 接下来该探索什么
- 探索策略 —— 怎么持续探索
- Agent-Centric 资产层 —— Agent 侧能力/工具/工作流资产
- Agent-Centric 引擎 —— 最小闭环运行方式与测试
License: MIT