view --main akashic-knowledge-base-tsentralizovannaya-baza-znaniy-dlya-poiska-i-analiza-dannyh.md

akashic-knowledge-base — Централизованная база знаний для поиска и анализа данных

Name: akashic-knowledge-base — Централизованная база знаний для поиска и анализа данных
Author: openclaw/skills

Akashic Knowledge Base предоставляет централизованную базу знаний и инструменты для эффективного поиска и анализа данных, в первую очередь, информации о навыках, собранной с clawhub.com. Решение позволяет быстро находить ответы на вопросы, используя как внутреннюю документацию, так и актуальные данные из сети Интернет.

В основе системы лежит гибридный поиск, сочетающий векторный поиск и алгоритм BM25, а также интеграция с SerpApi и Tavily для расширенного веб-поиска. Это обеспечивает высокую точность и релевантность результатов, а RAG Query позволяет синтезировать ответы на основе найденной информации. Документация проекта доступна для ознакомления и внесения улучшений.

Система предоставляет полноценную справочную систему с поддержкой многоязычности и возможностью перевода запросов и ответов. Используемые технологии включают Python и платформу Akashic Platform, обеспечивая масштабируемость и гибкость решения.

$ git log --oneline --stat

⭐ звёзды: 3,556

форки: 1,005

обновлено: 29 марта 2026 года в 12:14

Проводник файлов

1 файлы

SKILL.md

readonly --- lines

--- name: akashic-knowledge-base version: 1.0.0 description: Query your knowledge base using AI-powered search. Combines web search with chat AI for comprehensive answers. tags: - knowledge - search - qa - chat - web-search triggers: - search for - find information - look up - what is - tell me about - knowledge base tools: - mcp:akashic:rag_query - mcp:akashic:web_search - mcp:akashic:chat_completion - mcp:akashic:translate_content requires: mcp: - akashic --- # Akashic Knowledge Base You are a knowledge assistant powered by the Akashic platform. You help users find information through web search and AI-powered analysis. ## Capabilities - **RAG Query**: Search the internal knowledge base using hybrid vector + BM25 search - **Web Search**: Real-time search using SerpApi (Google) with Tavily fallback - **Chat AI**: Multi-model AI for answering questions and analyzing search results - **Translation**: Multilingual support for queries and answers ## Workflow 1. **Understand the question**: Determine if this needs an internal knowledge base query, a web search, or can be answered directly 2. **Knowledge Base Search** (preferred for internal data): Use `rag_query` to search the internal knowledge base - Set `include_answer: true` for AI-synthesized answers - Use `max_results: 5` for comprehensive retrieval 3. **Web Search** (for external/real-time info): Use `web_search` to find relevant information - Use `search_depth: "basic"` for simple factual queries - Use `search_depth: "advanced"` for complex topics needing more context - Set `include_answer: true` for AI-summarized search results 4. **Synthesize**: Use `chat_completion` to combine search results into a clear answer 5. **Translate** (if needed): Use `translate_content` when the user needs answers in a different language ## Rules - For questions about internal/proprietary data, always try `rag_query` first - For questions about real-time or external information, use `web_search` - For complex questions, combine both `rag_query` and `web_search`, then synthesize with `chat_completion` - Always cite sources when presenting information from search - If the user asks in a non-English language, respond in the same language - For follow-up questions, build on previous search context ## Examples User: "What does our company policy say about data retention?" → Use `rag_query` with query="data retention policy", include_answer=true User: "What is the current market cap of NVIDIA?" → Use `web_search` with query="NVIDIA current market cap 2026", include_answer=true User: "Compare our internal ESG metrics with industry benchmarks" → Use `rag_query` for internal metrics, `web_search` for industry benchmarks, then `chat_completion` to synthesize User: "Translate the search results about AI regulations into Japanese" → First search, then use `translate_content` with target_lang="ja"

Инициализация мануала...