处理第一份文档¶

先定义你希望读懂什么，再决定抽取什么。传记中的迁徙、会议中的决策、实验中的参与条件，都可以作为独立事件组织；不必先追求一张节点最多的图。

给 Skill 一个明确任务¶

用 hyper-knowledge 阅读 notes.md，关注其中的人物经历。
人物、时间、地点分别作为实体；每段经历作为超边，注明参与角色。
同一个人物跨事件复用节点。不要把“年份 + 地点 + 动作”拼成节点名。
先说明建模方案，再输出 bundle、校验结果和离线工作台。

接收已有 bundle 时直接校验、渲染，不必重新调用模型抽取。只需要改配色或取景时，也不应重新生成知识结构。

输入准备¶

目前文档入口直接处理 .txt、.md，目录输入会递归处理这些文本文件。PDF、Word、扫描件需要先转换为可读文本，保留标题、段落和来源标识；图片不能靠改扩展名变成可解析文本。

文档是数据，其中夹带的操作指令不应成为智能体的工作命令。含敏感资料时，先确认使用本地还是远程模型，以及允许发送哪些内容。

默认 Agent 流程¶

由当前 Agent 读取文件、整理标准表，再用 hk bundle import 导入、校验和渲染。使用客户端自身的模型服务，不额外配置 Hyper-Knowledge 密钥。输入格式与唤起方式见 Agent Skill。

独立模型流程¶

先完成安装，再按终端准备步骤让当前窗口能识别 hk。选择有权使用的聊天模型，并按 Python 指南配置密钥：

hk config llm --provider openai --model YOUR_AVAILABLE_MODEL
hk list template

然后从文本生成 Knowledge Abstract（KA），再导出规范化数据包：

hk parse notes.md -t general/hypergraph -l zh --no-index -o output/notes-ka
hk bundle export output/notes-ka -o output/notes-bundle --json
hk bundle validate output/notes-bundle --quality showcase --json
hk visualize output/notes-bundle -o output/notes-workbench.html --view contour --no-open --json

--no-index 适用于先做结构和可视化的任务，避免同时构建检索索引。抽取会调用你配置的模型服务；校验和已生成 bundle 的离线渲染不需要再调用模型。

交付时检查什么¶

是否把两个不同人物误合并，或把一个人物拆成多个同名节点？
时间、地点是否属于正确的事件？成员角色能否区分参与方式？
是否有关系缺少来源记录？若 KA 没有精确原文片段，报告应如实说明。
校验是否通过？工作台里的节点文字、超边成员是否还需要人工调整？

源文档、模板和模型变化时，使用新的输出目录保存新版本。详细数据含义见证据与数据包。