仓颉 Skill：读完一本书，带走的是能调用的 Skill，不是笔记
前言
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。
最近火起来的另一个思路是"把人蒸馏成 skill"——nuwa-skill 做马斯克 skill、巴菲特 skill，人走了经验还在。
袋鼠帝（kangarooking）做的 cangjie-skill（仓颉 Skill） 走了另一条路：蒸馏人系统性表达过的内容。一本书、一期播客、一个两小时的长视频，里面沉淀的方法论，拆出来变成 AI Agent 能调用的 Skill 工具包。
一句话说清楚：
读完、看完、听完之后，带走一套能调用的方法论，而不是一篇会落灰的总结。
- GitHub：https://github.com/kangarooking/cangjie-skill
- 官网：https://cangjie-skill.com
- MIT 协议，支持 OpenClaw / Claude Code / DeepSeek Harness
一、项目身份
仓颉 Skill 是一个把高价值内容蒸馏成可执行 Agent Skills 的元 Skill。
它自己就是一份 SKILL.md 加一套方法论文档和提取器，没有服务端，跑在你的 Agent 里。
核心立场有三条，每条都和"AI 帮你读书"的常见做法对着干：
- 摘要不是复用。摘要、笔记、字幕整理都是压缩——压缩完你还是不知道"什么时候该用什么"。仓颉要的是结构化复用：可触发、可组合、可测试
- 不是所有内容都配变成 skill。真正值得做成工具的只是一小部分，所以流水线里有严格的淘汰门，宁缺毋滥
- 给人看的方法论不等于给 Agent 用的方法论。蒸馏必须面向执行，不面向消费
成果看得到：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，《黄帝内经》→ 22 个，吴恩达《AI for Everyone》视频课程 → 25 个。连高数上册第一章都被蒸馏成了 8 个学习 skill。
二、主执行链路：RIA-TV++ 七阶段流水线
几个设计点值得展开：
第③步的晋级门是灵魂。候选方法论先过证据检验（原文有没有支撑），然后还要算一笔账：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由成本？不值就降级为背景材料。这就是"宁缺毋滥"的执行机制。
第⑥步的诱饵题很聪明。给每个 skill 设计测试用例时故意放"诱饵"——问一些听起来相关但不该触发这个 skill 的问题，再看它会不会上钩。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，不带侥幸。
第⑦步是确定性编译。同一份 Capability Bundle，可以编译成单路由入口（single），也可以编译成"路由 + 少量晋级独立 Skill"的紧凑包（pack）。输出可复现，不靠运气。
名字也有出处：RIA 来自赵周《这样读书就够了》的便签拆书法（Reading / Interpretation / Appropriation），TV 是 Triple Verification（三重验证），++ 是面向 Agent 的扩展——E（可执行步骤）+ B（边界）。拆书方法论 + 软件工程的质量门，杂交出来的东西。
三、核心模块与架构
模块分工很清楚：SKILL.md 是大脑，定义整个蒸馏过程怎么执行；methodology 是教科书，每个阶段怎么做有独立文档；extractors 是五个工人，各自的 prompt 负责挖不同类型的方法论单元；cangjie.py 是车间主任，把诊断、编译、增量更新、修复、回滚、评测全收进一条命令。
v2.5.0 把 Capability Bundle 确立为唯一事实源：先产出稳定的能力卡和元数据，再编译安装产物。这个顺序很重要——下面讲状态流时会看到为什么。
四、数据与状态流
v2.5.0 的演进机制是这套系统最"工程"的部分：
- 源内容变了怎么办：内容寻址预处理 + 源 diff + 影响分析，只对受影响的能力卡打事务性补丁，不是全部重蒸
- 你手改了产物怎么办：手改检测会识别出来，拒绝盲目覆盖
- 改坏了怎么办：快照和回滚，一键回去
大多数"AI 帮你读书"的工具生成完就结束了，没有"维护"这个概念。仓颉把 skill 当持续演进的资产，不当一次性产物。这是它和玩具项目拉开差距的地方。
五、跨端边界
运行载体：主平台是 OpenClaw 和 Claude Code（SKILL.md 直接装），DeepSeek Harness 走独立安装包——下载 Release 的 tgz，SHA256 校验，dsh plugin add 本地装。适配层封装在安装包里，不污染主仓库。
展示与代码分离：官网负责 Skill Pack 的可视化浏览、教程和提交入口；GitHub 仓库是代码、方法论、模板的唯一来源。找东西去官网，用东西回仓库。
内容获取的边界：仓颉只吃文本。要蒸馏视频，官方建议先配 video-downloader skill——下载视频、抽字幕或音频转写，再把文本交给仓颉。分工明确，不越界抢活。
六、配置边界
作为元 Skill，它的配置面很克制：
- 输入边界：任何含"可抽取、可验证、可迁移"方法论的文本。书、访谈、演讲、课程、长文、资料集都行；纯叙事、纯娱乐内容会被晋级门自然淘汰
- 交付模式：
single（单路由入口）或pack（路由 + 晋级独立 Skill），按内容体量选 - 平台适配：OpenClaw / Claude Code 走 SKILL.md 直装，DeepSeek Harness 走 Release 包，不混装
没有 API key、没有服务端、没有数据库。文件进，skill 包出。
七、扩展点
这是这个项目最值得学的地方——它把自己设计成了生态的一个节点：
- 提取器可扩展：5 个提取器是独立 prompt 文件，想挖新类型的方法论单元（比如"决策框架"单独一类），加一个提取器就行
- 生态三件套咬合：nuwa-skill 蒸馏人，cangjie-skill 蒸馏书，darwin-skill 让 skill 进化。各管一段，互相引用而不是互相包含
- 外部来源可接入：book2startup、book2skill 等外部仓库经作者同意后挂进生态，Registry v2 向下兼容 v1 条目
- 社区产出真实存在：qbdx-hub 一个人就贡献了《孙子兵法》《周易》《我与地坛》《明朝那些事儿》6 个蒸馏仓库
八、风险点
说点冷水的。
1. 版权是悬着的剑。整本整本地蒸馏《黄帝内经》《毛选》问题不大，但蒸馏在版权保护期内的商业书籍再公开发布 skill 包，法律上站不站得住，项目方没有给出明确答案。个人自用没事，想商业化分发前想清楚。
2. 蒸馏质量依赖底座模型。七阶段流水线再严密，提取和验证还是 LLM 在做。方法论抽取跑偏、能力卡质量不稳定，工程流程只能兜底，不能根治。诱饵题测试能拦住大部分，但不是全部。
3. Skill 洪泛的隐忧。一本书 15-25 个 skill，你装 20 本书就是 400+ 个入口。路由成本上升、触发准确率下降，正是晋级门想防的问题，但防线在单本书内部，跨书的 skill 冲突没有治理机制。
4. "可调用"不等于"被调用"。蒸馏出一堆 skill 只是第一步，真实工作流里 Agent 会不会在恰当的时机想起它们，取决于你的使用方式。工具不会自动让你变好——这点和读书一样。
记住
知识停在"看过、听过、收藏过"，是大多数人的常态。
仓颉 Skill 的答案：把方法论拆成可触发、可组合、可压力测试的 Agent Skill，让 AI 在真实决策里替你调用它。
拆书方法论（RIA）+ 软件工程质量门（三重验证、晋级门、确定性编译）——读书这件事，第一次被当成了工程来做。
参考资源
- GitHub：https://github.com/kangarooking/cangjie-skill
- 官网：https://cangjie-skill.com
- 生态：nuwa-skill（蒸馏人）/ darwin-skill（skill 进化）
- License：MIT