前言¶

手里有一堆散落的笔记、文档、会议纪要之后，常见的处理是建个索引或者丢进向量库，再问一句”它们之间有什么关系”。结果是一张被动的图：节点和边都躺在界面里，没人知道下一步该做什么。

knowledge-connector 走的是另一条路：它不只把文档连成图，还提供导入向导、跨文档答案页和关系可视化，最终输出的是带下一步建议的结果，而不是一张需要人工再解读的图。

这是什么¶

knowledge-connector 是一个社区来源的 Skill，坐标 @user_15292d5a/yjkj-knowledge-connector，由 user_15292d5a 发布和维护，当前版本 1.2.0，分类为 knowledge-management，归属 community 来源。

它解决的问题是：已有资料分散在多个文档里，缺少结构、缺少跨文档关联，也没有可执行的下一步。Skill 的做法是先导入，再抽取实体与关系，最后把结果组织成可以直接追问、可以画出来的视图。

核心功能¶

下面介绍四项已核实的能力，都来自 SkillHub 页面的简介。

1、导入向导。负责把散落的笔记和文档收进来，不需要用户手写解析脚本。
2、跨文档答案页。针对一个问题，从多个文档中找答案，而不是只返回命中的片段。
3、关系可视化。把实体之间的关系画出来，用于人工确认抽取结果是否正确。
4、可操作的知识图谱输出。在图的基础上给出具体的下一步建议，而不是把原始图丢给用户自己看。

标签里还有一条 requires_api_key=false，说明它不强制要求外部 API Key，这对内网或离线环境比较友好。

安装与启用¶

公开资料中没有给出该 Skill 的官方安装命令，也没有列出 Cursor、Codex CLI、Claude Code 各自的差异。因此这里不写未经核实的安装步骤。

可行的确认方式是打开 SkillHub 页面，先看评分、下载量和版本号是否与当前一致，再按页面提供的入口启用。坐标是 @user_15292d5a/yjkj-knowledge-connector，版本 1.2.0。

需要提醒的是，页面抓取到的评分为 100000、下载量 645、安装数 0，这几项在不同渠道的数值可能不一致，启用前以 SkillHub 页面实时数据为准。

典型用法¶

官方简介里描述的典型流程可以拆成三步，每一步都对应一个已核实的能力。

1、先用导入向导把笔记和文档批量接进来，这一步解决的是资料分散、格式不统一的问题。
2、再对导入后的集合提问，Skill 会跨文档返回答案页，而不是只给出关键词命中。
3、最后用关系可视化检查抽取出的实体和边，确认无误后再让 Skill 输出下一步建议。

这个顺序的好处是：先有可读的结果，再决定要不要继续深挖。如果跳过可视化直接看下一步建议，容易在错误的关系上继续推演。

适用场景与注意¶

适合的场景是资料已经积累了不少、但还没有结构化、也没有明确关联线索的团队或个人。尤其是资料类型混杂（笔记、文档、纪要并存）时，导入向导能省掉写解析脚本的时间。

需要注意的点有三个。

1、它输出的是图谱加建议，不是自动决策。下一步建议仍需人来确认是否落地。
2、跨文档答案的质量取决于导入资料本身的完整度和一致性，资料质量差时，关系图会跟着出错。
3、安装数显示为 0，说明目前使用者很少，遇到问题基本只能靠自己排查，不宜把它当作长期依赖的核心工具。

结尾¶

knowledge-connector 的价值在于把”建图谱”这件事收尾到”给出下一步”，而不是停在一张需要人工解读的图上。四项能力（导入向导、跨文档答案、关系可视化、可操作输出）覆盖了从资料进入到结果落地的完整链路。

官方地址：https://api.skillhub.cn/user_15292d5a/yjkj-knowledge-connector
SkillHub 页面：https://www.skillhub.cn/skills/user_15292d5a/yjkj-knowledge-connector