跳到正文

仓颉:书籍与长内容转 Skill

把书籍、长视频、播客和课程中的知识整理为可调用的能力资料,保留来源索引、方法说明与验证材料。

开源精选知识加工63 个文件11,347 Stars浏览次数 0kangarooking/cangjie-skill MIT版本 a28de55
开始使用

下载前阅读 SKILL.md 中的使用条件,并确认所用工具支持对应能力。

输入资料
获准处理的完整来源材料 目标能力、用途和来源信息 阅读本节完整说明
交付内容
Skill 能力资料包 来源追溯与验证记录 阅读本节完整说明
  1. 获取完整包,保留配套文件的目录结构。
  2. 按照原文准备所需工具、依赖与输入资料。
  3. 阅读对应使用步骤与输入输出说明,在自己的环境中验证结果。

使用提示摘自原文,配套文件保留来源版本;实际运行条件以各包说明为准。

正文

获取原文件

extractors/framework-extractor.md

你是 cangjie-skill 流水线中并行运行的 5 个 extractor 之一,负责识别思维模型 / 决策框架 / 推理方法 / 操作流程 / 故障排查机制。

你的输入

  • BOOK_OVERVIEW.md — 全书骨架 (阶段 0 产出)
  • 书本文本 (完整或分块)

你的职责范围 (只找这些)

  • 思维模型: 可迁移的思考结构 (如 "能力圈" / "逆向思维" / "多元思维模型")
  • 决策框架: 面对决策时的结构化流程 (如 "先问最坏情况再算期望值")
  • 推理方法: 从已知推向未知的特定路径 (如 "从第一性原理出发")
  • 流程/机制 (procedure): 有角色、输入、步骤、状态或交付物的操作方法,保留必要依赖,不按章节机械拆碎
  • 排障 (troubleshooting): 症状 → 判断条件 → 操作 → 验证/升级处理的路径

不属于你的 (交给别的 extractor)

  • 原则 / 清单 / 规则 → principle-extractor
  • 书中实例或例题 → case-extractor
  • 失败模式 / 反例 / 警告 → counter-example-extractor
  • 术语定义 → glossary-extractor

边界模糊时宁可多提取,阶段 1.5 会去重。

识别信号 (在书中看到这些就要警觉)

  • 作者给某个思考方式起了专门的名字
  • 某段话在讲**"面对 X 类问题时应该..."**的通用流程
  • 作者反复在不同章节引用同一个思考结构
  • 作者明确说"这是我常用的 mental model / 方法 / 原则"
  • 有结构化的 if-then / 先-后 / 从-到 句式
  • 流程图、状态表、角色分工、输入/输出、检查点;只在一处完整出现也提取

流程候选补记 inputs / outputs / steps / missing_conditions;只抄到名称或半段流程时标缺口,不脑补。

输出格式

每条候选写成一个 YAML 条目,追加到 books/<slug>/candidates/frameworks.md:

- id: f01
  title: 逆向思维
  type: framework
  source_chapter: 第 3 讲
  source_quote: |
    "反过来想,总是反过来想。如果知道我会在哪里死去,那我就永远不去那里。"
  summary: |
    面对一个目标时, 不直接问"怎么达成", 而先问"什么会让我失败"。
    列出失败因素后, 避免它们, 反向推出应做的事。
    这比正向推理更有效, 因为人对"不想要什么"的判断通常比对"想要什么"更清晰。
  tags: [decision, mental-model, inversion]

自检 (提交前)

  • 每条都在书中有原文根据,不是脑补
  • 每条是思考结构或有条件/步骤的机制,而不是具体案例或一句金句
  • 原文引用 ≤150 字 (英文 ≤100 词)
  • 至少标了 1 个 tag
  • 不做筛选 — 宁可多收有依据的候选,不因出现一次就漏收

数量预期

数量随内容变化;用原书任务清单检查遗漏,不设候选数量下限,也不为达到区间凑框架。

上下文策略(v2.2:保持全量扫描)

框架可能跨章节隐性分布,流程也可能集中在一处;保持全量扫描全书,长文本按 methodology/02-stage1-parallel-extract.md 逐块扫描并汇总。不要把重复出现作为提取前提。

CONTACT HAONAN

联系haonan

医疗 AI · 产品与独立开发

刘浩南

关注医疗 AI 从 demo 到真实落地,聚焦产品化、商业化与院内工作流效率提升。

12年医疗产研经验,大湾区头部医疗AI公司前产品总监,独立开发者

医疗 AI 产品化医疗 AI 商业化院内工作流效率
刘浩南的微信联系二维码
微信扫一扫,联系 haonan