Hyper-Knowledge / Python · CLI · Agent Skill
让关系保留上下文。¶
人物、时间、地点和角色，常常共同解释一件事。Hyper-Knowledge 把这样的共同语境组织成超边，交给智能体构建，再用可追溯的数据包和离线工作台检查、阅读与分享。
两种安装方式¶
有 Python 或 Conda 环境，直接使用；没有环境，再按教程准备。命令行安装与聊天安装任选其一。
命令行安装：已有环境 / Anaconda / Miniconda
已有合适的 Python 3.11+ 环境，激活后直接安装；Anaconda / Miniconda 用户按下面的 Conda 步骤操作。没有可用环境时，再看Python / venv 准备步骤，不用人人从头安装 Python。
Anaconda / Miniconda：展开新建与复用环境的步骤
Windows 打开 Anaconda Prompt / Miniconda Prompt；macOS / Linux 用能运行 conda 的终端。
先用 conda env list 查看环境。要新建时，确认 hyper-knowledge 这个名字尚未使用，再逐行执行，前一步成功后再执行下一步：
conda create -n hyper-knowledge python=3.12 pip git
conda activate hyper-knowledge
如果已经有合适环境，不创建新环境，直接 conda activate research，将 research 换成你自己的环境名。检查 Python、pip 和 Git：
python --version
python -c "import sys; print(sys.executable)"
python -m pip --version
git --version
Python 应为 3.11+，解释器和 pip 都应属于目标环境。需要补 pip 或 Git 时，在确认可修改该环境后先 conda install pip git，再安装本项目。不要往 base 或需要保持不变的实验环境里安装，不需要在 Conda 内另建 .venv。
每次打开新终端，重新 conda activate hyper-knowledge（或自己的环境名），而不是重新安装。Conda 详细说明、脚本调用和 Notebook
在已经选好的环境中逐行运行；前一步成功后再执行下一步：
python -m pip install "git+https://github.com/hanxiangmin/Hyper-Knowledge.git"
python -m hyperknowledge --help
帮助页面出现后，需要 Skill 的用户再选择自己的客户端：
Codex：
python -m hyperknowledge skill install --platform codex --scope user
Kimi Code：
python -m hyperknowledge skill install --platform kimi --scope user
两个客户端都使用时可以分别安装，共用同一个运行程序。只使用 Python / Notebook 或命令行，不必安装 Skill。hk 不是系统内置命令；这里用 python -m hyperknowledge 调用选中环境的运行程序，不要求事先识别 hk。
在聊天中安装¶
选择你正在使用的客户端，直接复制对应的完整文案到聊天框：
Codex
请按 https://github.com/hanxiangmin/Hyper-Knowledge 的安装说明，为 Codex 安装用户级 hyper-knowledge Skill。可使用已有 Python/Conda 环境，覆盖本地修改前先询问。
Kimi Code
请按 https://github.com/hanxiangmin/Hyper-Knowledge 的安装说明，为 Kimi Code 安装用户级 hyper-knowledge Skill。可使用已有 Python/Conda 环境，覆盖本地修改前先询问。
不需要先手动执行命令行安装。安装细节按仓库说明处理；需要登录或授权时由你确认。完成后开启新会话使用。普通网页聊天如果没有本地工具权限，不能替电脑安装程序。
安装后，一套核心、三种用法¶
安装完成后，在选好的 Python / Conda 环境中使用下面任意入口。新终端怎样选择环境
Python / Notebook¶
extract_file() 解析文本；import_graph() 导入结构化结果，不需要模型密钥。
命令行¶
hk parse → hk bundle export → hk visualize。
已有结构化结果直接使用 hk bundle import。
Agent Skill¶
Codex、Kimi Code 读取同一份标准 Skill，调用本地 Python。 默认使用当前 Agent 的模型，不额外配置一份密钥。
从一个具体问题出发¶
“苏轼在何时、何地经历了什么？”不适合塞进一个很长的节点名。
| 实体节点 | 事件超边 | 成员角色 |
|---|---|---|
| 苏轼、1101 年、常州 | 北归 | 北归者、时间、到达地 |
人物和地点可以被下一件事复用；年份不会与另一段经历混在一起。来源则跟在这条事件关系后面，供阅读者继续核对。查看建模方法
围绕一份可交付的图谱工作¶
建模¶
用 Skill 说明任务和材料。先确定节点、事件与角色，再选择模板执行；不是把整句话缩成节点名。
核验¶
节点、关系、成员和来源分别保存。校验引用与文件身份，区分原文支持、模型组织和待核验内容。
探索¶
从整体结构进入一个节点，再展开一条超边。密集关系交给矩阵，解释成员角色时切换关联视图。
交给智能体的一句话¶
用 hyper-knowledge 处理这份文档。
人物、地点、时间分别建节点；每个事件保留为一条超边，并注明成员角色。
输出可校验的 bundle 和离线工作台，列出缺少来源支持的关系。
当前 Agent 读取原文，本地 Python 导入并渲染结果；这条流程不额外配置一份模型密钥。了解两种流程
先看清，再深入¶
点击图片全屏查看，再点图片、空白处或按 Esc 返回原位置。
