## 分析新添加的条目

当用户添加知识时:

1. **提取关键词**
   - 从标题中提取核心概念
   - 从正文中识别技术术语
   - 提取专有名词和缩写

2. **主题识别**
   - 判断讨论的主要主题
   - 识别技术栈和工具
   - 检测应用场景

3. **质量评估**
   - 检查内容完整性
   - 评估是否有代码示例
   - 判断是否需要补充信息

## 智能标签推荐

基于内容分析推荐标签:

1. **现有标签匹配**
   - 查找 tags.json 中相似的标签
   - 推荐使用现有标签体系

2. **新标签建议**
   - 识别内容中的关键概念
   - 建议新的标签名称
   - 避免标签冗余

3. **标签层级**
   - 建议主标签和副标签
   - 保持标签体系的一致性

输出格式:

## 分类推荐

分析内容并建议分类:

**code 分类特征**:
- 代码片段
- API 文档
- 技术实现细节

**projects 分类特征**:
- 项目文档
- 开发日志
- 技术决策记录

**learning 分类特征**:
- 学习笔记
- 概念解释
- 教程和指南

**personal 分类特征**:
- 个人思考
- 经验总结
- 反思和感悟

输出格式:

## 智能关联推荐

识别可能相关的知识条目:

1. **标题相似度**
   - 计算与现有条目标题的相似度
   - 识别同义词和相关词

2. **标签重叠度**
   - Jaccard 相似系数
   - 标签重叠越多,关联性越强

3. **内容引用**
   - 检测是否提及了其他条目的 ID
   - 识别标题或内容中提到的其他概念

4. **时间邻近性**
   - 近期创建的相关条目
   - 同一时期学习的内容

输出格式:

## 组织结构分析

定期分析知识库的组织状况:

1. **重复检测**
   - 查找标题或内容相似的条目
   - 建议合并或建立关联

2. **孤立条目检测**
   - 没有链接的条目
   - 没有反向链接的条目
   - 建议创建关联

3. **标签分析**
   - 统计标签使用频率
   - 识别过度使用或很少使用的标签
   - 建议标签优化

4. **分类分布**
   - 分析各分类的条目数量
   - 识别不平衡的分类

输出格式:

用户执行: /kb-add --type=learning-note
标题: React Hooks 学习笔记

[用户输入内容后]

Knowledge Manager 自动触发:

✨ 内容分析完成!

建议标签:
  主标签: react, hooks
  相关标签: frontend, functional-components
  理由: 内容主要讨论 React Hooks 和函数组件

建议分类: learning
置信度: 高 (92%)
理由: 学习笔记格式,包含概念解释

发现相关条目:
  1. [2025-01-03-102015] React 基础概念 (相关度: 88%)
     建议: references - 引用了 React 基础概念

  2. [2025-01-02-084530] 函数组件 (相关度: 75%)
     建议: builds-on - 在函数组件基础上讨论

是否应用这些建议?
输入选项:
  - apply all: 应用所有建议
  - select: 选择性应用
  - skip: 跳过,稍后手动处理

用户选择: apply all

✅ 已应用所有建议!
标签已更新: react, hooks, frontend, functional-components
分类已更新: learning
关联已创建:
  → references: 2025-01-03-102015
  → builds-on: 2025-01-02-084530

用户输入: 帮我分析知识库的组织情况

Knowledge Manager 执行:

📊 知识库组织分析报告

=== 总体概况 ===
  总条目数: 45 个
  总标签数: 32 个
  总链接数: 23 个
  平均每个条目链接数: 0.51 个

=== 重复检测 ===
  发现 3 对可能重复的条目:

  1. React Hooks 相关 (相似度: 82%)
     [2025-01-01-100000] React Hooks 入门
     [2025-01-03-150000] React Hooks 详解
     建议: 建立关联 (builds-on)

  2. JavaScript 异步 (相似度: 75%)
     [2025-01-02-110000] Promise 和 async/await
     [2025-01-04-120000] JavaScript 异步编程
     建议: 合并为一个条目

  3. CSS Flexbox (相似度: 68%)
     [2025-01-05-090000] Flexbox 布局
     [2025-01-06-100000] Flexbox 完整指南
     建议: 保留较新的版本

=== 孤立条目 ===
  8 个条目没有任何链接:

  1. [2025-01-02-120000] CSS Grid 布局
     建议关联: [2025-01-05-090000] Flexbox 布局 (related)

  2. [2025-01-04-090000] TypeScript 基础
     建议关联: [2025-01-01-100000] React Hooks (related)

  ... (其余 6 个)

=== 标签分析 ===
  使用频率分布:
    高频 (>10次): react (12), javascript (8)
    中频 (5-10次): hooks (6), async (5)
    低频 (<5次): 其余 28 个标签

  标签优化建议:
    1. 合并相似标签:
       - js → javascript
       - ts → typescript

    2. 拆分宽泛标签:
       - frontend → react, vue, angular

=== 分类分布 ===
  code: 15 个 (33%) ⚖️  平衡
  learning: 18 个 (40%) ⚖️  平衡
  projects: 8 个 (18%) ⚖️  偏低
  personal: 4 个 (9%) ⚠️  过低

  建议: 增加项目和反思类内容的记录

=== 质量评估 ===
  高质量条目 (>500字): 12 个 (27%)
  中等质量 (200-500字): 23 个 (51%)
  低质量条目 (<200字): 10 个 (22%)

  建议: 丰富低质量条目的内容

💡 行动建议:
  1. 立即处理: 合并重复的 JavaScript 异步条目
  2. 本周完成: 为孤立条目创建关联
  3. 持续优化: 增加项目和反思类内容
  4. 标签整理: 统一 js 和 javascript 标签

是否需要我帮你执行这些建议?

// Jaccard 相似系数 (标签重叠度)
function jaccardSimilarity(tags1, tags2) {
  const intersection = tags1.filter(tag => tags2.includes(tag));
  const union = [...new Set([...tags1, ...tags2])];
  return intersection.length / union.length;
}

// 文本相似度 (简单的词频统计)
function textSimilarity(text1, text2) {
  const words1 = tokenize(text1);
  const words2 = tokenize(text2);
  const common = words1.filter(word => words2.includes(word));
  return common.length / Math.max(words1.length, words2.length);
}

1. 提取内容中的关键词
2. 与 tags.json 中的现有标签匹配
3. 计算每个相关标签的权重
4. 推荐权重最高的 3-5 个标签

1. 统计内容中的特征词
2. 每个分类有对应的特征词列表
3. 计算内容与每个分类的匹配度
4. 选择匹配度最高的分类

{
  "autoApply": {
    "tags": {
      "confidence": 0.9,
      "minMatches": 2
    },
    "category": {
      "confidence": 0.85
    },
    "links": {
      "minSimilarity": 0.8
    }
  }
}

{
  "analysis": {
    "onAdd": true,
    "onEdit": true,
    "scheduled": "weekly"
  }
}