kangarooking/cangjie-skill

把书、长视频、播客等高价值内容蒸馏成可执行的 Agent Skills（Distill high-value content from books, long-form videos, podcasts, and more into executable Agent Skills）

什么是 Cangjie Skill？

Cangjie Skill 是一个工具链，可将书籍、长篇视频、播客或其他密集内容中的方法论、框架、原则和具体程序转化为可调用的“AI 技能”——小型、自包含的模块，AI 代理可在运行时调用。换句话说，它不只是总结一本书，而是提取可操作的知识并打包，让 LLM 驱动的代理可以直接执行这些想法。

它是如何工作的？

输入 – 任何文本来源（书籍、转录稿、笔记）。
RIA‑TV++ 管道 – 七阶段确定性流程：
- 整体内容理解（Adler 分析）建立高层级概览。
- 并行提取运行五个专门的提取器（框架、原则、案例、反例、词汇表）。
- 三重验证检查每个候选者的来源充分性、可执行性和任务实用性。
- 能力构建构建能力卡片（R/I/A1/A2/E/B），存储在 .cangjie/capabilities/ 下。
- Zettelkasten 链接编织依赖关系和交叉引用的图。
- 压力测试生成测试提示，确保技能按预期运行。
- 确定性编译产生单一路由风格技能（single）或紧凑包（pack）。
输出 – 包含以下内容的目录：
- BOOK_OVERVIEW.md、DIGEST.md、GLOSSARY.md
- 每个提取方法论的单独 */SKILL.md 文件
- 用于验证的 test‑prompts.json
- 可安装的工件（ZIP/tarball），准备好供 OpenClaw、Claude Code 或 DeepSeek Harness 等平台使用。

主要功能（截至 v2.5.0）

能力捆绑 – 所有提取卡片和元数据的单一事实来源。
两种确定性交付模式 – single（仅路由）或 pack（路由 + 独立技能）。
统一本地工具链 – scripts/cangjie.py 处理诊断、增量更新、回滚、评估和基准测试。
安全机制 – 内容寻址预处理、基于差异的影响分析、事务性补丁、快照和回滚。
注册表集成 – 支持 Registry v1 和 v2，并提供网站可见的能力计数。
平台适配器 – 适用于 OpenClaw、Claude Code 和 DeepSeek Harness 的即装即用插件。

谁可能使用它？

AI 产品团队希望将领域特定知识（例如，从巴菲特信件中提取的投资推理）嵌入其代理。
知识工作者积累了许多书籍或视频课程，希望这些见解是可操作的，而不仅仅是存档。
研究人员构建“技能生态系统”，其中从人（nuwa‑skill）和从文本（cangjie‑skill）提取的技能可以通过 darwin‑skill 共同演进。

示例使用案例

用户有一份《精益创业》的 PDF。运行管道会产生一个技能包，包含“验证式学习循环”、“最小可行产品”和“转向决策框架”等独立模块。然后可以提示 LLM 代理：

使用 cangjie‑skill 在我的产品想法上运行“验证式学习循环”。

代理执行该技能中定义的具体步骤，而不是仅仅背诵摘要。

生态系统与相关项目

nuwa‑skill – 将人（思考风格、表达 DNA）提取为 AI 技能。
cangjie‑skill – 此仓库，专注于书籍和其他结构化内容。
darwin‑skill – 随时间演进任何技能。

开始使用

安装 Python 3.10+ 和 pyyaml。
运行自检：python3 scripts/cangjie.py doctor。
按照网站的“技能包浏览”指南，或使用 README 中显示的 DeepSeek Harness 插件。

许可证

MIT – 可自由使用、修改和重新分发。

简而言之： Cangjie Skill 是一个可重现、安全优先的管道，将密集的学习材料转化为模块化、可测试的 AI 技能，代理可以按需调用，将被动知识转化为主动能力。