Tag Regulator

Zweck

Zotero-Eintrags-Tags basierend auf einem kontrollierten Vokabular normalisieren und die KI mögliche neue Tags inferieren lassen.

Dieser Workflow ruft den Skill tag-regulator auf dem Skill-Runner-Backend auf, um zu prüfen, ob Tags dem Vokabular entsprechen, und relevante Tags zu empfehlen.

Anwendungsfälle

Batchweises Bereinigen nicht standardisierter Tags
Automatisch Tags für Einträge basierend auf einem bestehenden kontrollierten Vokabular empfehlen
Kontinuierliche Aktualisierung und Verfeinerung des kontrollierten Vokabulars aufrechterhalten

Eingabebedingungen

Bedingungstyp	Beschreibung
Eingabeeinheit	Übergeordneter Eintrag
Datenquelle	Vom übergeordneten Eintrag bezogen: aktuelle Tags, Metadaten (Titel, Autoren, Abstract usw.)

Falls ein von Literature Analysis erstelltes eingebettetes Digest-Markdown-Payload vorhanden ist, lädt der Workflow es automatisch als optionalen Kontext hoch, um die Inferenzqualität zu verbessern.

Auslösemethoden

Direkt einen oder mehrere Zotero-Einträge (übergeordnete Einträge) auswählen
Nach der Auswahl von Einträgen „Tag Regulator" aus dem Kontextmenü wählen

Ausführungsablauf

1. Kontrolliertes Vokabular laden
   └── tagVocabularyJson aus den Zotero-Einstellungen lesen
       └── Die Liste der gültigen Tags im Vokabular parsen

2. Anfrage erstellen
   └── Metadaten des übergeordneten Eintrags und aktuelle Tag-Liste sammeln
       └── Das kontrollierte Vokabular in eine temporäre YAML-Datei schreiben
       └── Zu Skill-Runner hochladen

3. Skill-Runner-Verarbeitung
   └── skill_id: "tag-regulator" aufrufen
       └── Tag-Konformität prüfen
       └── Vorgeschlagene Tags erstellen (suggest_tags)

4. Ergebnisse zurückgeben
   └── Tag-Änderungen anwenden (nicht konforme Tags entfernen, empfohlene Tags hinzufügen)
       └── Vorgeschlagene Tags gegen das aktuelle lokale Vokabular abgleichen
       └── Vorgeschlagene Tags verarbeiten (Popup-Interaktion)

Tag-Verarbeitungslogik

remove_tags: Aktuelle Tags, die nicht im kontrollierten Vokabular sind, werden entfernt
add_tags: Aus Metadaten inferierte Tags, direkt zum Eintrag hinzugefügt
suggest_tags: Von der KI vorgeschlagene neue Tags, erfordern Benutzerbestätigung
digest_markdown: Optionaler Anreicherungskontext, nur hochgeladen, wenn ein eingebettetes Digest-Markdown-Payload vorhanden ist

Echtzeit-Synchronisierungsregeln

Wenn Ergebnisse zurückgegeben werden, wird der neueste lokale Zustand gelesen:

Wenn ein suggest_tag bereits in das kontrollierte Vokabular aufgenommen wurde, wird kein Popup angezeigt; er nimmt mit add_tags-Semantik an der Eintragsaktualisierung teil
Wenn sich ein suggest_tag bereits in der Zwischenablage befindet, wird er nicht erneut in die Zwischenablage geschrieben
Nur Vorschläge, die unbearbeitet bleiben, gelangen in das Popup

Geschätzte Dauer

Szenario	Geschätzte Zeit pro Artikel
Ohne Digest (Literature Analysis nicht ausgeführt)	Etwa 1 Minute
Mit Digest (Literature Analysis bereits ausgeführt)	1-3 Minuten

Wenn der Eintrag bereits über einen Digest verfügt, verwendet die KI die Zusammenfassung als zusätzlichen Kontext, was zu präziserer, aber längerer Inferenz führt.

Für suggest_tags fordert ein Dialog den Benutzer auf, die Vorgehensweise zu wählen:

Hinzufügen: Direkt zum kontrollierten Vokabular hinzufügen
Zwischenspeichern: In die Zwischenablage legen zur späteren Überprüfung
Ablehnen: Den Vorschlag ignorieren
Alle hinzufügen / Alle zwischenspeichern / Alle ablehnen: Batchverarbeitung

Der Dialog hat einen 10-Sekunden-Auto-Zwischenspeicherungs-Countdown; bei Zeitüberschreitung werden Vorschläge automatisch zwischengespeichert.

Ausgaben

1. Tag-Änderungen

remove_tags: Tags, die nicht im Vokabular sind, vom Eintrag entfernen
add_tags: Empfohlene Tags zum Eintrag hinzufügen
Werden direkt auf die ausgewählten Zotero-Einträge angewendet

2. Verarbeitung vorgeschlagener Tags

Der Benutzer wählt die Vorgehensweise über das Popup
Akzeptierte Tags: Zur tagVocabularyJson-Einstellung hinzugefügt
Zwischengespeicherte Tags: Zur tagVocabularyStagedJson-Einstellung hinzugefügt

Modell-Empfehlung

🟢 Ein leichtgewichtiges Modell ist ausreichend — Tag-Regulierung ist im Wesentlichen eine einfache Klassifikations- und Zuordnungsaufgabe, die nicht das stärkste Modell erfordert.

Parameter

Parameter	Typ	Beschreibung	Standard
`infer_tag`	boolean	Ob Tag-Inferenz aktiviert werden soll	`true`
`valid_tags_format`	string	Vokabularformat	`yaml`
`tag_note_language`	string	Sprache für Vorschlagsbeschreibungen	`zh-CN`

Verfügbare Werte für valid_tags_format

yaml: YAML-Format verwenden
json: JSON-Format verwenden
auto: Automatisch erkennen

Abhängigkeiten

Kontrolliertes Vokabular: Ein kontrolliertes Vokabular muss zuerst erstellt werden; siehe Tags-Verwaltung
Backend: Skill-Runner-Dienst
Backend-Konfiguration: Konfigurieren Sie einen Skill-Runner-Backend-Typ im Backend Manager
Skill: Der Skill tag-regulator muss auf dem Skill-Runner bereitgestellt sein

Zweck​

Anwendungsfälle​

Eingabebedingungen​

Auslösemethoden​

Ausführungsablauf​

Tag-Verarbeitungslogik​

Echtzeit-Synchronisierungsregeln​

Geschätzte Dauer​

Popup für vorgeschlagene Tags​

Ausgaben​

1. Tag-Änderungen​

2. Verarbeitung vorgeschlagener Tags​

Modell-Empfehlung​

Parameter​

Verfügbare Werte für valid_tags_format​

Abhängigkeiten​

Verwandte Workflows​