Loom Use

USE 流程（用网络回答问题）

何时触发

• 用户问问题（"X 是什么？X 在 Y 场景下怎么用？"）
• 用户做决策（"我该选 A 还是 B？基于 Loom 我的知识"）
• 用户做复盘（"这次失败的根本原因是什么？"）

联网边界

USE 默认只用 Loom 本地卡片网络回答，不联网；除非用户当轮明确要求联网查询或外部验证。

卡片依据呈现

回答需要把关键卡片内容呈现出来，不只给结论：列出支撑卡片的 id / title，并摘出或转述卡片里直接支撑结论的内容。引用卡片时，默认同时给出可点击路径：L2/L3/L4 卡给卡片文件路径；若卡片存在 source，再额外给对应 L1 源文件路径。适当时再沿卡片 source 读取 L1 原文；若只用卡片，明确说明依据层级是卡片。

探索铁律（必须）

> 对需要解释、判断、决策、诊断、比较、复盘或开放探索的认知任务，只有两条路线都真实展开并达到语义饱和，才算完成。命中文本相关卡只是起点，不是停止信号。

• 地图 → 问题：从 orient 的全部 L4 与顶层目录出发，按需展开领域骨架和已有判断，向问题投射它本身未必会自然唤起的模式假设，再沿 link 深读 L3/L2 血肉；运行过 orient 不等于完成这条路线。
• 问题 → 网络：不要只做一次泛化或同义改写；从当前理解中提出彼此真正不同的多种结构假设，为各自生成简洁检索改写，寻找跨领域卡片。

两条路线可以交替、回返并相互打开新方向，不得简化成固定顺序或固定轮数。检索命中只产生候选，采用前必须深读 content，判断结构等同性、边界和反例。只读指定卡、查 ID 或维护 tag 等无需思考展开的直接操作不适用本条。

第 1 步：写 plan.json

TASK_ID=$(...)
mkdir -p /tmp/loom_task/$TASK_ID/drafts
cat > /tmp/loom_task/$TASK_ID/plan.json ",
  "source": null,
  "layer": "L3",
  "skill": "USE"
}
EOF

layer=L3 只表示"如果本次明确进入沉淀，draft 的目标层是 L3"；不表示 USE 必须产出卡片。

第 2 步：启动时定位

loom orient

读立体目录（namespace 全貌 + L4 全量含命题摘要）。这是"思考-激活"的入口——看到 Loom 沉淀的思考方向，回答问题时主动用上相关 L4 模式。

第 3 步：反复检索 + 思考（过程显式化，前置呈现）

核心要求：思考过程必须对外显式化，并且在产出答案之前呈现给用户——不是事后总结，是让用户跟着你走完整条认知路径，看到每个假设如何被验证、修正、推翻或扩展。

每轮检索都要讲清楚：

• 你现在的假设 / 想验证什么
• 你调了什么工具、看了什么卡
• 你具体发现了什么（与预期对比）
• 这如何改变了你的想法（确认 / 推翻 / 扩展），暴露了什么新方向，下一步查什么、为什么

格式由你决定——段落、清单、对比表、嵌套结构，哪种能讲清就用哪种。不要把这一步变成填表，填表式的 narrate 不算思考。

效果要求：广度和深度都到位。

• 广度：与问题相关的视角要覆盖到——跨 namespace、跨层级、包括表面无关但结构等同的联系
• 深度：不停在标题层——相关的卡要深入到 content 的具体内容、实例、边界
• 深入一张卡可能暴露新方向（深度推动广度），新方向可能需要深入（广度推动深度）
• 循环到新的深度不再激发新的广度方向时 = 信息饱和

每轮结束时更新“当前理解”（新发现确认、修正或推翻了什么）和“开放方向”（还有哪些可能实质改变理解的方向未验证）；下一轮由开放方向驱动。

如果准备用某个 L4/L3 模式作为框架——先 read-cards --task-id $TASK_ID 读完整 content，再 neighbors 看关联卡（反思/反例），确认该模式在此场景成立。标题对上 ≠ 模式适用。

工具按需组合，没有正确顺序：

loom search "" --mode=hybrid --top=10   # 关键词 + 语义
loom search "" --mode=vector --top=10
loom browse-tree                          # 领域骨架全貌
loom children                                # 展开结构
loom neighbors  --depth=1                    # link 图
loom skim                                        # 快速判断相关性
loom read-cards    --task-id $TASK_ID # 批量深读 + 记录 read trace / L4 refs
loom wander                                  # 随机偏航

饱和自检（不再 narrate 新轮次前问自己）：

• 我只用了 search 一种入口，还是也看过领域骨架、走过随机方向？
• 有没有一整块相关视角我完全没覆盖？
• 用到的模式卡，我读过完整 content 和它的反思/反例卡吗？
• 连续检索返回的信息已经和之前重复了吗？这只是某条局部路线耗尽，还是整体饱和？
• 我是否真的把 orient 中的模式向问题投射过，而不只是读过地图？
• 我提出的是彼此不同的结构假设，还是同一意思的换词？各条假设是否分别召回并核对过正文？

第 4 步：回答

先直接回答用户——前面的螺旋 narrate 已经展示了思考过程，这里给出经过验证的完整答案。

默认到这里结束，不写卡。

只有出现新的、可复用、可支撑的判断 / 反思 / 实践模式时，才提示一次沉淀机会：候选标题、type、价值、支撑卡。临时查询、复述已有卡、支撑不足、凑流程的候选，不提示。

tag 规则：只有用户明确要求打 tag 时，才在入库后用 loom-admin tag-card --add='["X"]' 维护真实 tags；正文里的“标签：X”不算。

第 5 步：独立沉淀（仅在明确触发时）

仅当用户确认，或原始请求明确要求"形成卡片 / 入库 / 沉淀"时，才写 drafts。

写前检查：一句话可概括、自足、非复述、满足 layer/type/link 规则。通过后再写：

ID 选择遵循 _loom_core.md 卢曼树规则：新卡应表达螺旋探索中已经确认的位置关系（子节点、兄弟节点或新顶层根卡），不要随手拍一个独立顶层 ID。

# L3 实践卡（具体问题的解法、决策依据；必须 link 至少一张 L2）
loom write-draft $TASK_ID : \
  --type=判断 --title="" \
  --links=, \
  --content-file=

# 反思卡（复盘某判断的适用条件）
loom write-draft $TASK_ID : \
  --type=反思 --title="" \
  --links= \
  --content-file=

已存在卡需要补 link 时，只提示；用户确认后再维护。找候选近邻用 loom suggest-links 。

第 6 步：mark-ready → 语义自检 → commit-ready（仅当有 drafts）

没写 drafts 就直接结束。

如果产出了 drafts：

loom mark-ready $TASK_ID

收尾按 hook 状态区分：

• Claude Code：SubagentStop hook 扫 .ready 跑计算层校验，计算通过后 block 回来要求语义自检。
• Codex：安装并信任 hooks 后，同样由 SubagentStop/Stop hook 自动触发 loom-hook。只有 hooks 未安装或未触发时，才手动调 loom-admin stop-check-pending 兜底。

计算通过后读 /tmp/loom_task/$TASK_ID/.semantic_sample.json，判断 typematch / singleunit / genuinedigest / selfcontained，通过后：

loom commit-ready $TASK_ID --semantic-passed

失败则修 draft，重新 mark-ready。

关键约束

• USE 主产出是回答 / 决策 / 复盘；沉淀是独立后续动作
• 不要每次 USE 都提议建卡；只有新的、可复用、可支撑的认知单元才提示一次
• 未经明确触发，不写 draft、不 mark-ready、不 commit-ready
• 只有用户明确要求时才维护真实 tags
• L3 卡必须 link 至少一张 L2 卡（008 §20；L1 可补充但不满足门槛）
• L3/L4 的 source 字段不强制（008 §17）
• 反思卡必须锚定判断/模式卡
• 沉淀宁缺毋滥，只保存值得复用的新增认知

---

> 必读前置：执行下文任何步骤前，必须先用 Read 工具读取 [skills/_loom_core.md](../loomcore.md)。 > 共同铁律（commit 权限 / 命名规范 / 密度门禁 / 整批校验）是本 skill 的硬前置条件——不读不开工。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: q8886b
• Source: q8886b/loom-ai-knowledge-network
• License: MIT

Install and usage instructions live in the source repository linked above.