读完一本书，带走 Skill 而不是笔记

你肯定有这种感觉：书看了不少，播客听了不少，B 站收藏了一堆长视频。然后呢？什么都没变。知识停在"看过、听过、收藏过"，真到做决策的时候，脑子里什么都调不出来。

常规解法是做摘要、记笔记。但摘要是压缩——压缩完你还是不知道"什么时候该用什么"。最近认真研究了一个开源项目 cangjie-skill（仓颉 Skill），它走了另一条路：把一本书、一期播客、一个两小时长视频里沉淀的方法论，拆出来变成 AI Agent 能调用的 Skill 工具包。

一句话：读完之后，带走一套能调用的方法论，而不是一篇会落灰的总结。

成果长这样：巴菲特致股东信 60+ 年 → 20 个投资判断 Skill；《毛泽东选集》五卷 → 25 个方法 Skill；吴恩达《AI for Everyone》视频课程 → 25 个；连高数上册第一章都被蒸出了 8 个学习 Skill。

长视频进来的第一步：降维，不是理解

这个项目处理视频的姿势很聪明：它根本不去理解视频。两段式——先由配套工具把视频下载、抽字幕或音频转写，变成纯文本；然后仓颉拿到手的"视频"和一本书没有区别。

为什么这是对的：直接理解视频是多模态难题，理解转写文本是成熟技术。字幕保住了视频里 95% 的方法论信息，剩下 5% 的画面信息对"可调用的方法论"来说基本是噪声。降维不是妥协，是聚焦。

七阶段流水线，两处是真灵魂

RIA-TV++ 七个阶段（RIA 来自拆书法，TV 是三重验证，++ 是面向 Agent 的扩展），展开太长，只说两处灵魂：

晋级门：不是所有内容都配变成 Skill。候选方法论先过证据检验（原文撑不撑得住），再算一笔账：这个内容的使用价值，值不值得为它增加一个独立入口的路路成本？不值就降级为背景材料。宁缺毋滥是执行出来的，不是喊出来的。

诱饵题：给每个 Skill 埋测试。设计用例时故意问一些"听起来相关但不该触发这个 Skill"的问题，看它会不会上钩；外加跨 Skill 混淆测试——两个相近的 Skill，Agent 能不能选对。测不过，整个回炉重建。这一步把"看起来能用"和"真的能用"区分开——大多数"AI 帮我读书"的工具，缺的就是这个。

和一次性工具拉开差距的地方

v2.5.0 把 Capability Bundle 定为唯一事实源，之后的事才见工程功力：源内容更新了（作者发续集、书出新版），走源 diff + 影响分析，只对受影响的能力卡打事务性补丁；你手改过的地方会被检测到、拒绝盲目覆盖；改坏了有快照回滚。

把 Skill 当持续演进的资产，不当一次性产物。大多数同类工具生成完就结束了，没有"维护"这个概念。

生态也咬合得清楚：nuwa-skill 蒸馏人（马斯克 Skill、巴菲特 Skill），仓颉蒸馏内容，darwin-skill 让 Skill 进化——各管一段，互相引用。

冷水也得泼

版权是悬着的剑。蒸馏公有领域问题不大，整本蒸别人在售的书并分发，内容和人格权益的边界是模糊的。字幕质量是天花板——转写错误直接污染蒸馏源头，垃圾进垃圾出，没有任何后置补救。口语内容方法论密度低，两小时视频可能只有二十分钟干货，淘汰率高是特性不是缺陷。

所以我的用法建议：蒸馏你自己拥有、你反复要用的东西——你的领域的经典、你反复回看的长视频。工具在 GitHub 搜 cangjie-skill，MIT 协议。

聊两句：如果只能选一本，你想把哪本书蒸成 Skill？评论区写下书名+理由，点赞最高的那本，我下期实际蒸一遍，全程记录出多少个 Skill、质量怎么样。我置顶我的候选（《这样读书就够了》，就冲它的 RIA 方法论本身）。

往期全套在主页：LVS、双模型、ESP8266、PDF 转 EPUB、Cursor 三课、gh、PoC/MVP 顺序论——这个系列叫「把复杂东西拆明白」。