知识卡片自动关联引擎

概述

基于关键词共现匹配，自动发现知识卡片之间的隐含关联，为每张卡片写入「关联资料」小节。核心价值：把孤立的知识点编织成可导航的知识网络。

输入：knowledge_cards/ 目录下所有 km_*.md 卡片
输出：每张卡片的「关联资料」小节（自动写入或预览）

工作流程

扫描卡片 → 提取关键词 → 构建倒排索引 → 匹配关联 → 写入卡片

执行方式

# 预览模式（查看关联结果，不修改文件）
python3 scripts/link_cards.py \
    --cards-dir knowledge_cards/

# 写入模式（实际更新卡片文件）
python3 scripts/link_cards.py \
    --cards-dir knowledge_cards/ \
    --update

# 仅更新指定卡片
python3 scripts/link_cards.py \
    --cards-dir knowledge_cards/ \
    --card km_016_xxx \
    --update

关联算法

1. 关键词提取：从每张卡片的「## 关键词」小节提取 `关键词` 列表
2. 倒排索引：构建 关键词 → 卡片ID列表 的映射
3. 共现匹配：对每张卡片，计算与其他卡片共享关键词数量
4. Top-N 选取：取共享关键词最多的前 5 张卡片作为关联推荐
5. 写入文件：在卡片中生成/更新「## 关联资料」小节

关联资料格式

## 关联资料

- **目标卡片标题**  `共享关键词1` `共享关键词2` (N个共享关键词)

使用时机

与 kb-reviewer 配合

kb-linker 建立关联后，立即运行 kb-reviewer 可以：
- 看到新卡片是否融入知识网络（Q1 被引排名）
- 发现关联建立后仍有孤岛的卡片（Q3 孤岛检测）
- 确认关键词体系是否需要调整（Q2 趋势分析）

推荐执行顺序：

消化卡片 → 建立关联(kb-linker) → 复盘检查(kb-reviewer)

输出摘要

完成后报告：

1. 扫描卡片总数 + 唯一关键词数
2. 有至少一个关联的卡片数 / 总数
3. 最高频共享关键词 Top 5
4. 更新了文件的卡片数

异常处理