大家好，我是苍一，一个干了13年的后端开发，正在探索AI编程，从产品到开发的全生命周期最佳实践，如果您感兴趣，欢迎关注👇，看我如何自我革命。

你有没有这种体验？读完一本好书，当时觉得醍醐灌顶，做了一堆笔记。过了两周想用里面的方法论解决实际问题，发现脑子里只剩一个模糊的印象，具体框架怎么说的完全想不起来。只好重新翻书，花不少时间定位到对应章节。

这跟AI的表现很像。大语言模型在训练阶段把大量经典著作都消化过，但你问它具体问题，它往往给出一堆四平八稳的废话，每个字都正确，就是没法直接用。

最近我在想，能不能换一种思路：不是让AI去"记住"书里的内容，而是让它把书里的方法论提取出来，变成遇到对应场景时可以自动调用的技能包？

从蒸馏一个人到蒸馏一本书

Skill这个概念最近很火。有人把离职同事的工作经验做成skill，让AI继续按他的方式干活。还有人做了"女娲skill"，专门蒸馏各个领域顶尖人物——马斯克、芒格、巴菲特的思维方式。

这些做法的核心逻辑是：把隐性知识变成显性的、可被AI执行的程序。我顺着这个逻辑往下想：既然可以蒸馏一个人，为什么不蒸馏他花了大量时间写的书？一本书往往浓缩了作者多年的深度思考和实战经验，经过反复推敲和修订，信息密度比零散的对话高得多。把书里的方法论蒸馏出来，得到的是经过验证的、可落地的经验框架。

于是我动手做了"仓颉Skill"。

名字的由来很简单。传说仓颉观察鸟兽足迹，从纷繁复杂的自然信息中提炼出可复用的符号——文字。仓颉让知识能够被记录和传播，仓颉Skill做的事本质相同：从书本的万千文字中提炼出可被AI执行的技能。

GitHub地址：https://github.com/kangarooking/cangjie-skill

它不是做摘要

这一点必须说清楚。仓颉Skill不是读书笔记工具，不是摘要生成器。它的目标产出是Agent能在真实场景中自动调用的技能单元——每个技能都有触发条件、执行步骤、边界限制和质量校验。

打个比方，RAG（检索增强生成）像是一个图书馆：你得先知道要查什么，才能找到有用的内容。如果你连问题该怎么问都不知道，图书馆帮不了你。Skill则像是一个经验丰富的顾问，你只需要描述当前遇到的困境，他会主动匹配相关的方法论框架，给出可执行的建议。

两者解决的是不同层面的问题。RAG解决知识存储和检索，Skill解决知识在正确时机被正确运用。

六阶段蒸馏流水线

仓颉Skill的核心是一套六阶段的蒸馏标准流程。我先用Claude Code配合Claude Opus设计出这套体系，后来又借鉴了nuwa skill做了升级。具体阶段如下：

第一阶段：整书通读理解。 不是上来就摘金句，而是先摸清整本书的骨架——核心论点是什么，论证链条怎么走，关键术语作者怎么定义的，作者视角有什么盲区。这一步产出的不是知识点，而是对全书结构的宏观理解。

第二阶段：五个Agent并行提取。 同时从五个维度扫描全书文本。一个负责提取思维框架，一个提取原则性结论，一个整理作者案例，一个收集反面教训，一个建立概念词典。五个Agent独立工作互不干扰，最后汇总。

第三阶段：三重验证筛选。 每个候选单元必须通过三道关卡。跨域验证：这个方法论在书中至少两个独立场景中出现过吗？预测力测试：能否用它推导出书中没有直接讨论的问题？独特性检验：是不是放之四海而皆准的常识？三关全过才保留，通不过的直接淘汰，宁缺毋滥。

第四阶段：构造技能单元。 这是难度最大的一步。关键在于设计触发条件——什么场景下应该自动激活，什么场景下不应该被调用。触发条件设计得越精确，技能在实战中的可用性就越高。

第五阶段：关系链接。 找出技能之间的依赖关系、对比关系和组合关系，形成知识网络。有些技能需要组合使用才能发挥作用，有些则在特定条件下互相冲突。

第六阶段：压力测试。 包括诱饵测试——故意提供不该触发的场景，看技能会不会被错误调用。一个没有边界的技能，用错场景比不用还糟糕。

化学里有个概念叫精馏，把混合物按沸点差异分离成纯净组分。仓颉Skill做的事情类似：按框架、原则、案例、反例、术语五个维度把书中的知识分离提纯。所以我把这套方法称为"知识精馏"。

实际蒸馏的效果

我用仓颉Skill蒸馏的第一本书是《认知红利》。

刚开始用Claude Code加Opus跑，结果发现蒸馏过程极其消耗token，Claude Pro的额度根本撑不住。换了Claude Max之后仍然扛不住巨大的消耗量。最终我切换到Claude Code配合GLM-5.1的组合，智谱的Coding Plan在长任务上性价比很高，随便跑都没触及限额。

五个Agent并行扫描完全书后，一共提取出22个候选单元。经过三重验证筛选，最终保留15个可执行的技能，每个都有明确的触发场景、执行步骤和边界限制。

然后我做了一个测试：重新打开一个对话窗口，问"怎么在一年内赚到1000万"，并补充了一些个人信息。

结果跟直接问AI完全不同。它自动调用了《认知红利》中多个方法论框架——批发时间、增强循环、复利飞轮，还给出了多维能力模型的组合建议，指出了哪些能力组合能构建市场稀缺性。一步步推导，最后给出了方向性判断和具体的行动路径。

不是说这个方案一定能赚到1000万。关键在于，书里的知识被真正"用"起来了。同一个问题，AI不再是给正确的废话，而是调动具体的方法论框架来分析。

更多实践

之后我又蒸馏了五本书：《穷查理宝典》、《大道：段永平投资问答录》、《不拘一格：网飞的自由与责任工作法》、《巴菲特致股东的信（1957-2024）》。

其中《穷查理宝典》信息密度极高，GLM-5.1跑了一个半小时才完成全部蒸馏。但一个半小时蒸馏出查理·芒格的思维精华并能实际运用，这个投入产出比相当划算。《巴菲特致股东的信》更是蒸馏出了整整20个技能。

另外值得提的一点：每个蒸馏出来的技能都自带测试用例，格式兼容darwin-skill。darwin-skill是一个专门用来自动进化技能的工具，把技能喂给它后会自动评估、改进、测试，分数只升不降。也就是说，蒸馏出来的技能不是静态的，可以持续优化。

Andrej Karpathy最近分享了他的LLM Knowledge Base思路：把原始资料交给LLM编译成wiki，再对wiki做问答，产出的内容回填进去持续增强。仓颉Skill的知识精馏吸收了这个思想中的深度阅读和结构化整理部分，但在此基础上多走了关键的一步——Karpathy的方案是把知识编译成wiki等着你去查，仓颉Skill是把知识提纯成技能在正确的时机主动调用。一个解决知识管理，一个解决知识运用。

注意事项

不是所有书都适合蒸馏。方法论密度高的书效果最好，比如投资类、决策类、管理类的经典著作。金句散文类的书蒸馏出来效果一般，因为可提炼的结构化方法论本身就不多。

蒸馏过程中需要人的参与和判断。最好是先读过一遍原书，这样你才知道哪些方法论是自己看重的，哪些重点区域需要关注。蒸馏不是让AI替你读书，而是让你和AI一起把书中的知识变成可反复调用的工具。

就算AI通过技能给出了建议，你也得有足够的判断力去评估方向是否正确、方案是否可执行。AI越强，对使用者的要求反而越高，因为它能给出更多选项和更复杂的分析，但最终选择和执行仍然是人的事。

不过，蒸馏和使用的过程本身就是一种加速学习。在蒸馏中你会重新审视书里的知识结构，在使用技能建议时会进一步深入思考。这个过程的吸收率比单纯读一遍书要高得多。

蒸馏到第三本的时候我意识到，一个人蒸馏不完所有值得蒸馏的书。所以我把全部内容开源了。

仓颉Skill本体：https://github.com/kangarooking/cangjie-skill

已蒸馏完成的技能包：

• 巴菲特致股东的信：https://github.com/kangarooking/buffett-letters-skill

• 穷查理宝典：https://github.com/kangarooking/poor-charlies-almanack-skill

• 不拘一格：https://github.com/kangarooking/no-rules-rules-skill

使用方式很简单：把仓颉Skill的GitHub地址给你的AI Agent，让它帮你安装即可。你可以直接使用已经蒸馏好的技能包，也可以用仓颉Skill蒸馏自己想读的书，再把成果分享出来。

如果你来蒸馏一本书，你会选哪本？

如果嫌文章太长、怕后面走丢，可以关注下面的ima知识号，让这篇文章成为你的知识顾问，随时随地等候你的提问。

知识号中内容会以笔记形式分享，可以根据大家反馈和实测情况，实时更新，保证最新方案的稳定、可用。

【ima知识库】苍一AI编程