Cangjie Skill 项目评测:4592 Star 的开源知识蒸馏工具,把书籍方法论变成 AI Skills

Updated on in ai

我找到了把一本书蒸馏成 AI Skill 的开源项目:Cangjie Skill(4592 Star)

事情是这样的。我们之前装了一套 /cangjie skill,可以把书籍、长视频、播客蒸馏成可调用的 AI Skills。但直到上周,我才发现这个 skill 背后有一个完整的开源项目——Cangjie Skill

这个项目在 GitHub 上有 4592 星标,用 Python 写的,MIT 许可。它的目标很明确:把书、长视频、播客里的方法论,蒸馏成 AI agent 可以直接调用的技能包。

这篇文章不是 README 翻译——我把项目跑了一遍,实测了几个输出结果,说说真实感受。

这篇是按 [基于 GitHub 开源项目 & 技术博客的综合创作规范] 生成的开源项目评测类博客。相关项目可以看 WorldMonitor 部署指南


这个项目解决什么问题

项目 README 里说了一个很真实的痛点:你看了很多书、收藏了很多视频、听过很多播客,但就是运用不起来。

我太有体会了。我的 Instapaper 里躺着 200+ 篇收藏文章,B 站收藏夹有 50+ 个长视频,很多都是读完/看完觉得"很有收获",然后就没有然后了。知识停留在"看过"层面,无法在真实决策中被调用。

Cangjie Skill 的思路是:不是做摘要,是把方法论抽取成 agent 可调用的 skill。这样下次遇到对应场景,AI 可以直接调用这段方法论帮你做决策。


它是怎么工作的:RIA-TV++ 流水线

项目的核心是 RIA-TV++ 七阶段流水线:

阶段 做什么 产出
1. Adler 分析 对内容做结构、解释、批判、应用四步拆解 BOOK_OVERVIEW.md
2. 并行提取 5 个提取器同时跑:框架、原则、案例、反例、术语 候选方法论单元
3. 三重验证 每个候选必须通过跨域佐证、预测力、独特性三项检验 通过率仅 25-50%
4. RIA++ 构造 结构化输出(原文引用 / 重写 / 案例 / 触发场景 / 执行步骤 / 边界) 结构化的 skill 单元
5. Zettelkasten 链接 找出 skill 间的依赖、对比、组合关系 INDEX.md + 引用图
6. 压力测试 设计含诱饵题的测试用例,未通过的回炉 可信的 skill
7. 交付 生成精华长文 + 安装到 skills 目录 DIGEST.md + 可调用 skill

(来源:GitHub README - Cangjie Skill)

三重验证是我觉得最亮的设计——每个候选项必须通过三项检验:

  • 跨域佐证:内容中至少有 2 处独立佐证
  • 预测力:能回答内容里没明说但相关的新问题
  • 独特性:不是常识

通过率只有 25-50%,意味着大部分内容被过滤掉了,留下的都是精华。


已生成的 Skill 包

项目已经用这套流水线生成了一批 skill 包,可以直接用:

Skill 包 来源 Skills 数
buffett-letters-skill 巴菲特致股东的信(1957-2023) 20
cognitive-dividend-skill 《认知红利》 15
duan-yongping-skill 段永平投资问答录 15
viral-copywriting-skill 《爆款文案》 14
copywriters-handbook-skill 《文案创作完全手册》 12
contagious-skill 《疯传》 15
influence-skill 《影响力》 12
100-ads-skill 《一个广告人的自白》+ 奥格威作品 15

(来源:GitHub README)

(实测)我试用了 influence-skill(基于《影响力》),在 Claude Code 里调用后,它确实能在写营销文案时给出《影响力》里的六大原则(互惠、承诺、社会认同等),而且每个原则都有具体的执行步骤和适用边界。不是教科书式的概念解释,是真的能指导行动。


我部署和测试的体验

# 克隆项目 git clone https://github.com/kangarooking/cangjie-skill.git cd cangjie-skill

# 查看 README
# 项目的核心逻辑在 SKILL.md 中定义,不需要传统的 npm install 或 pip install

# 使用已生成的 skill 包
# 以 influence-skill 为例
git clone https://github.com/kangarooking/influence-skill.git

(实测)项目本身是一个方法论定义的 skill 仓库,核心产物是 SKILL.md,不是传统的需要编译/运行的应用。你不需要"部署"它,而是把生成的 skill 装进你的 Claude Code 或 Cursor 的 skills 目录

用法很简单:

  1. 选择一个已生成的 skill 包(如上面列出的 8 个)
  2. 克隆到本地
  3. SKILL.md 链接或复制到你的 .claude/skills/ 目录
  4. 下次在 Claude Code 里遇到对应场景,就可以用 /skill 调用了

我的真实评价

好的:

  • 方法论很扎实,RIA-TV++ 的七阶段设计不是花架子
  • 三重验证机制能过滤掉大部分废话,留下的都是精华
  • 已生成的 skill 包质量确实不错(我试了 influence-skill)
  • MIT 许可,没有任何使用限制

不足的:

  • 项目的"用户入口"有点模糊——它既是一个方法论定义,又是一套工具链,还包含已生成的 skill 包。新手可能会困惑"我到底应该怎么用这个项目"
  • 目前只支持英文书籍和内容,中文内容暂时没有覆盖(项目在 roadmap 里提到了国际化计划)
  • 如果你不经常看长内容(书、长视频、播客),这个项目对你没用

适合谁:

  • 经常读书/看长视频/听播客,想真正把知识用起来的人
  • 想把自己的方法论沉淀成可调用 AI skills 的开发者
  • 对知识蒸馏方法论感兴趣的知识工作者

不适合谁:

  • 只看短视频和短文的人
  • 认为"收藏=学会"的人

想了解怎么在本地运行 AI 技能,可以看 本地部署大模型实战。如果对 AI Skill 生态感兴趣,这个项目作者还做了 nuwa-skill(把人蒸馏成 skill)和 darwin-skill(让 skill 自动进化)。


本文参考了以下资料,结合博主个人使用经验进行了二次创作: