Tagged “Skill Graph”
- CtxFST CH21 - 整合 OpenClaw：把 Agent Skills 升級成 Semantic World Model
- CtxFST CH18 - Multi-Step Planning：從 Greedy Selector 升級成 Lookahead Planner
- CtxFST CH17 - Relation-Aware Routing：讓 Selector 分得出因果邊和相似邊
- CtxFST CH16 - 先別急著變聰明：為 Agent Loop 補上 End-to-End Test Suite
- CtxFST CH15 - Goal-Aware Skill Routing：讓 skill_selector.py 真的朝目標前進
- CtxFST CH14 - 讓 SKILL.md 真正驅動 Graph-Aware Agent Loop，並自動回寫 Graph
- CtxFST CH13 - 第一個可跑的 Agent Loop：用 world_state.py 與 skill_selector.py 驅動 World Model
- CtxFST CH12 - v2.0 落地：為什麼我把它重構成 World Model First
- CtxFST CH11 - 從 v1.0 到 v2.0：把 Semantic Graph 升級成可操作的 World Model
- CtxFST CH10 - 全端實戰：用 Entity Embedding Graph 打敗純 Vector Search，發現你筆記中的未知領域
- CtxFST CH9 - Pipeline 的遺失環節：不弄髒 Schema 的動態實體輪廓 (Entity Profiles) 生成
- CtxFST CH7 - Skill Graph 進階：YAML Schema 只是骨架，Entity Similarity 從哪來？
- CtxFST CH5 - 破除 GraphRAG 迷思：真正重要的不是 Graph，而是 Embedding 自己長出來的 Entity Graph
- CtxFST CH4 - 實戰指南：如何用 Skill Chunk MD 格式建立 GraphRAG 知識庫？
- CtxFST CH3 - 為什麼 GraphRAG 需要「實體」？文章片段 (Chunks) vs 專業名詞 (Entities) 的底層邏輯
- CtxFST CH2 - 用一句話區分：Keyword 與 Entity 到底差在哪？
- 用 LLM 建立職涯技能圖譜：做出類似 GraphRAG 的能力
See all tags.