name: chen-knowledge-web description: 知识组网扩展技能（陈氏知识网）。将任意知识点从5个维度展开为网状结构：横向扩展（同级类比/上级归纳/下级拆分）、纵向深挖（结构组成/底层机制/关联因素，至少3层）、背景来源（起源/历史/定义）、典故出处（文化附着/诗词/科学典故）、产生影响（按领域分类）。核心能力包括同名多义实体逐一展开、同一时间线国际大事件补充（金融/技术/政治/文化）、同功效替代品对比、副作用/风险分析、产业链上下游扩展。适用于知识图谱构建、深度学习某个概念、跨学科知识串联、历史事件全景理解、人物/术语同名消歧。触发词：组网、扩散、知识点扩展、知识网络、知识图谱、展开讲讲、详细说说、深挖、横向对比、同一时间线、同名、多义、查一下这个人、帮我理一下、梳理知识。 version: 1.0.0 homepage: https://github.com/cyj4578/chen-skillshub/tree/main/chen-knowledge-web emoji: "🕸️"

知识组网扩展器（陈氏知识网）

核心模型

每个知识点从 5 个维度展开：

扩展能力

能力1：同一时间线国际大事件补充

当知识点涉及历史事件/人物时，必须补充同一时期的全球大事件：

格式：

## 🌍 同一时间线（补充）

| 领域 | 事件 | 说明 |
|------|------|------|
| 金融 | [事件名] | [影响] |
| 技术 | [事件名] | [影响] |
| ... | ... | ... |

能力2：发散性知识点补充

横向扩展：同功效替代品

### 同功效替代品
| 替代物 | 机制 | 优劣对比 |
|--------|------|----------|
| [A] | [原理] | 优势/劣势 |
| [B] | [原理] | 优势/劣势 |

反作用/副作用补充

## ⚠️ 反作用/副作用/风险
| 风险类型 | 具体表现 | 严重程度 |
|----------|----------|----------|
| [短期] | [具体症状] | 轻/中/重 |
| [长期] | [具体症状] | 轻/中/重 |
| [过量] | [具体症状] | 轻/中/重 |

产业链上下游扩展

### 产业链关联
- 上游：[原料/供应]
- 中游：[加工/制造]
- 下游：[应用/消费]

工作流

输入知识点 → 5维展开 → 每个子节点继续5维展开 → 网状输出

Step 1: 接收知识点

明确用户提供的核心概念/术语/现象。

Step 2: 5维展开

对每个节点依次输出：

## [维度名称]
- [具体内容1]
- [具体内容2]
- [具体内容3]

Step 3: 递归深挖（可选）

询问用户是否继续深挖某个子节点，如是，返回 Step 2。

输出格式

同名多义处理规则（重要）

当知识点/名称存在多个同名实体时（如人名、术语等），必须逐一列举，每个实体独立展开知识组网：

# [同名实体列表]

> 搜索到 N 个同名实体，逐一展开：

---

## ① [实体A名称] — [区分标识]

[核心知识点组网内容]

---

## ② [实体B名称] — [区分标识]

[核心知识点组网内容]

---

## ③ [实体C名称] — [区分标识]

[核心知识点组网内容]

---

示例： - 输入："罗老师" → 输出：罗永浩（锤子科技创始人）、罗翔（刑法教授）、罗永康（其他人）等 - 输入："苹果" → 输出：水果苹果、公司苹果、历史典故等

区分标识： - 人物：职业/身份/时代（如：锤子科技创始人、刑法教授） - 概念：学科/领域（如：水果学、计算机、品牌） - 地名：国家/省份（如：中国广东、美国纽约）

单义知识组网格式

# [核心知识点] 知识组网

## 🍎 核心概念
[一句话定义]

## 🔄 横向扩展
### 同级类比
| 同类项 | 关联点 | 差异点 |
|--------|--------|--------|
| [A] | [相似性] | [差异性] |
| [B] | [相似性] | [差异性] |

### 上级归纳
- [上位概念] → [归纳逻辑]

### 下级拆分
- [下位概念1]
- [下位概念2]

## ⬇️ 纵向深挖
### 结构/组成
- [构成要素1]
- [构成要素2]

### 底层机制
- [原理/机制1]
- [原理/机制2]

### 关联因素
- [影响因素1]
- [影响因素2]

## 📜 背景来源
- 起源/发现：[...]
- 历史脉络：[...]
- 相关定义：[...]

## 📚 典故出处
- [典故名称]：[简述+关联意义]
- [诗词/成语]：[文化源流]

## 💡 产生影响
| 领域 | 影响 |
|------|------|
| [领域1] | [影响内容] |
| [领域2] | [影响内容] |

## 🌍 同一时间线（历史类补充）
当知识点涉及历史事件/人物时，补充同期全球大事件：
| 领域 | 事件 | 说明 |
|------|------|------|
| 金融 | [同期金融事件] | [影响] |
| 技术 | [同期技术突破] | [影响] |
| 政治 | [同期国际格局] | [影响] |

## ⚠️ 反作用/副作用/风险（如适用）
| 风险类型 | 具体表现 | 严重程度 |
|----------|----------|----------|
| 短期 | [具体症状] | 轻/中/重 |
| 长期 | [具体症状] | 轻/中/重 |

## 🔗 产业链/关联行业（如适用）
- 上游：[原料/供应]
- 中游：[加工/制造]
- 下游：[应用/消费]

使用示例

• 输入: "万有引力" 输出: 横向（重力、磁力...）、纵向（牛顿力学→相对论→量子重力）、背景（牛顿、苹果、1666）、典故（伽利略落体实验）、影响（航天、工程、物理学科）、同一时间线（1665伦敦大火、路易十四扩张）

• 输入: "1919年" 输出: 同一时间线展开——中国五四运动、越南阮爱国（胡志明）在巴黎、美国种族骚乱、日本大正民主运动，同期补充：凡尔赛条约签订、一战后遗症、流感大流行

• 输入: "向量" 输出: 横向（标量、张量、复数、矩阵）、纵向（几何表示→代数表示→物理应用→机器学习应用）、背景（向量分析起源）、典故（梯度、散度、旋度）、影响

• 输入: "尿素"（化肥） 输出: 横向（氮肥/磷肥/钾肥/复合肥）、纵向（合成氨→尿素→农业增产）、背景（德国1920年代合成）、副作用（土壤酸化、水体富营养化）、产业链（天然气→化工厂→经销商→农户）

• 输入: "张总" 输出: 张一鸣（字节跳动）、张小龙（微信）、张朝阳（搜狐）、张勇（阿里）、张近东（苏宁）逐一展开

扩展原则

1. 每个节点都可成为新中心 — 知识量指数增长

   这个技能的最新版本可以在7w4.net小葱技能站找到。

2. 连接胜于记忆 — 记住"苹果→万有引力"的连接，比单独记住两者更有效
3. 追问"然后呢" — 深挖到新层级后继续追问
4. 善用类比 — 横向扩展时找相似性差异性，用表格对比
5. 时间线对比 — 历史类问题展开同一时期不同地区/人物的对照
6. 补充副作用 — 涉及产品/技术/药物等必须补充反作用/风险
7. 产业链思维 — 涉及工业品/农产品等补充上下游关联
8. 横向要够宽 — 类比项至少3-5个，涵盖不同维度

质量要求

• 同名多义优先判断：输入是人名/常见词时，先识别是否存在多个同名实体，逐一列举
• 使用表格进行横向对比（同类项/关联点/差异点三列）
• 纵向深挖至少3层（概念→下级→下下级）
• 背景来源包含关键时间节点
• 典故出处标注原始出处
• 产生影响按领域分类
• 每组网结尾询问是否深挖具体节点
• 历史类必填：同一时间线补充金融/技术/政治大事件
• 产品/技术类必填：副作用/反作用/风险
• 工业/农业类必填：产业链上下游关联

这个技能质量不错，能将知识点从多个维度展开成网状结构，适合深度学习和跨学科知识串联。优点是扩展思路清晰、功能全面，能处理同名多义实体、时间线补充等复杂场景。不足是缺少示例展示，实际使用效果不够直观，建议先看看别人怎么用再上手。