Query

query: запросы к wiki

Wiki уже выполнила работу синтеза. Читай стратегически, отвечай точно, файлируй хорошие ответы обратно — и знание накапливается.

---

Команда и флаги

Команда	Режим	Что читает	Токенов	Для чего
/query --quick [вопрос]	Quick	cache.md + index.md	~1500	Фактические вопросы, "что такое X"
/query [вопрос]	Standard	cache + index + (опц. domain) + 3-5 страниц	~3000	Большинство вопросов
/query --deep [вопрос]	Deep	вся wiki + опционально web	~8000+	Сравнения, синтез, "расскажи всё про X"

---

Иерархия чтения

Каждый режим следует общему принципу: читать в порядке от дешёвого/широкого к дорогому/узкому, останавливаться как только ответ собран.

1. cache.md          ~500 токенов   недавний контекст
   ↓ если мало
2. index.md          ~1000 токенов  таблицы (страница + саммари)
   ↓ если вопрос попал в конкретную область
3. domains/<X>.md    ~500 токенов   локальный индекс области (MOC)
   ↓ если ясны конкретные страницы
4. отдельные страницы 100-300 токенов  только релевантные по саммари

domains/<X>.md — локальный индекс: содержит ключевые концепции области, таблицу всех страниц домена (через Bases-запрос), краткое описание. Если вопрос явно лежит внутри одного домена (например, спросили про PPO — это domains/Reinforcement Learning.md), читай domain напрямую вместо построчного сканирования главного index.

Признаки, что нужно идти через domain:

• вопрос содержит термин, который явно принадлежит одной области
• index показывает много страниц с одним и тем же domain в frontmatter
• пользователь спрашивает "что у нас есть про <область>"

---

Hybrid query (большая wiki)

При росте wiki выше определённого порога чтение index.md целиком становится дорого по токенам. Hybrid-режим использует embeddings как pre-filter: вместо полного сканирования index'а — найти top-K семантически близких страниц для данного вопроса и читать только их.

Когда переключаться на hybrid:

wc -w wiki/index.md

• < 10 000 слов → классический поток (cache → index → domain → страницы). Index дешёв, эмбеддинги лишний шаг.
• ≥ 10 000 слов → hybrid: cache → embedding pre-filter → конкретные страницы.

Hybrid workflow:

1. Прочитать wiki/cache.md — может содержать прямой ответ.

2. Если cache не отвечает — запустить embedding pre-filter:

   python3 bin/embed.py query "<вопрос пользователя>" -k 10
   

   Возвращает 10 наиболее семантически близких страниц с полным путём, similarity-score и саммари из wiki/index.md:

     +0.567  wiki/domains/Reinforcement Learning.md  — Поддомен ML: policy gradient, value-based методы, RLHF и его компоненты.
     +0.528  wiki/ideas/SFT.md  — Supervised fine-tuning на демонстрациях; первый шаг RLHF.
     +0.502  wiki/entities/InstructGPT.md  — Масштабирование RLHF на инструкциях OpenAI; PPO-ptx.
     ...
   

   Это отфильтрованный по семантике index — по сути отранжированное подмножество таблицы из wiki/index.md. Meta-файлы (cache, summary, log) автоматически исключены.

3. Выбрать 3-5 страниц на основе саммари (а не score'а в одиночку). Score говорит «насколько embedder уверен в семантической близости», саммари — «правда ли это про мой вопрос». Если саммари у страницы нет — это диагностический сигнал что строки в index.md нет (missing-index-entry), но страницу всё ещё можно читать.

4. Прочитать выбранные страницы. Если все на одну тему — возможно открыть соответствующий wiki/domains/<X>.md для контекста области.

5. Синтезировать ответ как в обычном Standard режиме.

Если embedding-сервер недоступен (bin/embed.py query возвращает exit code 2 «embedder unavailable»):

• Fallback на классический поток — читай index.md целиком даже при большой wiki. Hybrid — это оптимизация, не requirement.

Когда hybrid не подходит:

• Вопрос про структуру самой wiki («сколько у меня страниц про X», «какие domains есть») — нужен index, не семантический поиск.
• Вопрос сравнительный охватывающий несколько областей — embedding-pre-filter упустит широкий контекст. Используй --deep.

Свежесть эмбеддингов — забота Stop-hook'а в .claude/settings.json, не запроса. Скилл просто читает wiki/meta/embeddings.json через bin/embed.py query. Если эмбеддер недоступен — fallback на классический поток (см. выше).

---

Quick режим

Использовать когда ответ скорее всего в cache или в саммари index.

1. Прочитай wiki/cache.md. Если он отвечает — отвечай сразу.
2. Если нет — прочитай wiki/index.md. Сканируй таблицы саммари.
3. Если найдено в саммари — отвечай по саммари, не открывай страниц.
4. Если не найдено — скажи: "Нет в quick-кэше. Запустить как standard query?"

В quick-режиме не открывай отдельные wiki-страницы и не читай domain-страницы.

---

Standard режим

Стандартный workflow:

1. Прочитай wiki/cache.md первым. Возможно, ответ или прямой контекст уже там.
2. Прочитай wiki/index.md. Сканируй таблицы саммари по разделам Ideas / Entities / Domains / Questions.
3. Если вопрос локализован в одной области — открой wiki/domains/<X>.md для локальной навигации. Это дешевле, чем читать 3-5 страниц напрямую.
4. Прочитай конкретные страницы, отобранные по саммари из index или domain. Переходи по wikilinks на глубину 2 для ключевых сущностей. Не глубже.
5. Синтезируй ответ в чате. Цитируй источники wikilinks: (Источник: [[Название страницы]]).
6. Предложи зафайлировать ответ: "Этот разбор стоит сохранить. Записать как wiki/questions/название-ответа.md?"
7. Если вопрос вскрыл пробел: "У меня недостаточно про X. Найти источник?"

---

Deep режим

Использовать для синтез-вопросов, сравнений, "расскажи мне всё про X".

1. Прочитай wiki/cache.md и wiki/index.md.
2. Прочитай все релевантные wiki/domains/<X>.md — они дают карту области с уже выделенными ключевыми концепциями.
3. Идентифицируй все релевантные страницы (ideas, entities, questions).
4. Прочитай каждую релевантную страницу. Никаких пропусков.
5. Если покрытие wiki тонкое, предложи дополнить веб-поиском.
6. Синтезируй исчерпывающий ответ с полными цитатами.
7. Всегда файлируй результат обратно в виде wiki-страницы. Глубокие ответы слишком ценны, чтобы потерять.

---

Дисциплина токенов

Читай минимум необходимого:

Начни с	Стоимость	Когда остановиться
cache.md	~500 токенов	Если содержит ответ
domain-страница	~500 токенов	Если вопрос полностью покрывается ключевыми концепциями домена
index.md	~1000 токенов	Если можешь идентифицировать 3-5 релевантных страниц или конкретный домен
3-5 wiki-страниц	~300 токенов каждая	Обычно достаточно
10+ wiki-страниц	дорого	Только для синтеза по всей wiki

Если cache отвечает — отвечай без дальнейшего чтения. Если index + саммари дают ответ — не открывай страницы.

---

Формат index

Мастер-индекс (wiki/index.md) — таблицы из двух колонок:

## Ideas

| Страница | Суть |
|---|---|
| [[RLHF]] | Схема: SFT → Reward Model → PPO с KL-якорем к SFT |
| [[PPO]] | Алгоритм оптимизации policy с per-step KL и clipping |

## Entities

| Страница | Суть |
|---|---|
| [[InstructGPT]] | Модель OpenAI 2022, масштабировала RLHF на GPT-3 |

## Domains

| Страница | Суть |
|---|---|
| [[Reinforcement Learning]] | Базовый RL-аппарат: policy gradient, value, advantage |

## Questions

| Страница | Суть |
|---|---|

## Minds

| Страница | Суть |
|---|---|

Саммари — одна строка ≤120 символов. Сканируй колонку "Суть" — если строка релевантна, открывай страницу. Иначе пропускай.

---

Локальный индекс домена

wiki/domains/<X>.md — навигационный хаб (MOC) для области знаний. Содержит:

• Краткое описание области (1-2 абзаца)
• Ключевые концепции — 3-5 важнейших страниц области, отобранных вручную
• Все страницы домена — таблица через Bases-запрос (filters: domain contains "[[<X>]]")

Используй domain-страницу когда вопрос целиком попадает в одну область — это разгружает главный index. Не используй для пересекающих областей вопросов: тогда нужен главный index или несколько domain-страниц.

---

Файлирование ответов обратно

Хорошие ответы накапливают wiki. Не давай инсайтам исчезать в чат-истории.

Делегируй на /save — он создаст wiki/questions/<заголовок>.md из шаблона с правильным frontmatter, обновит log.md и cache.md. Заполни summary: — wiki/index.md обновится автоматически на Stop-hook'е (не пиши в index руками).

---

Обработка пробелов

Если на вопрос нельзя ответить из wiki:

1. Скажи прямо: "Недостаточно в wiki, чтобы ответить хорошо."
2. Идентифицируй конкретный пробел: "У меня ничего нет про [подтему]."
3. Предложи: "Найти источник по этому? Помогу поискать или обработать один."
4. Не выдумывай. Не отвечай из тренировочных данных, если вопрос про конкретный домен этой wiki.