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

methodology/01-stage0-adler.md

目标

在动手拆书之前,先真正读懂这本书。没有这一步,拆出来的 skill 只是一堆金句集,会带上作者的盲点却不自知。

产出: books/<slug>/BOOK_OVERVIEW.md (按 templates/BOOK_OVERVIEW.md.template 填充)。

四步 (前三步来自 Adler, 第四步是本 skill 新增)

步骤 1 — 结构 (Structural)

识别书的"骨架",回答:

  • 这本书属于什么类型? (方法论 / 传记 / 哲学 / 实操手册 / ...)
  • 它的主旨用一句话说是什么? — 必须真的能压缩到一句
  • 它的主要部分如何组合成一个整体? — 列出 3–7 个一级论点并标出它们的关系 (并列 / 递进 / 对比 / 反驳)
  • 作者试图解决的核心问题是什么?

步骤 2 — 解释 (Interpretive)

  • 关键术语: 列出作者反复使用、有特定含义的概念词,给每个词写一句"作者本人的用法"定义 (不是字典定义)
  • 核心命题: 用你自己的话重述作者的 5–15 个核心主张
  • 论证链: 这些主张之间是怎么推导的? 作者用什么证据支撑?

步骤 3 — 批判 (Critical) ★ 最容易被跳过也最重要

Adler 原话: "在没有找出论证中的错误之前,你不能不同意作者。" 反过来: 在找出作者的局限之前,你也不能完全同意。

必须回答:

  • 作者的时代局限: 这本书写于什么时期? 哪些前提可能已经不成立?
  • 作者的立场盲点: 作者的身份 / 行业 / 文化背景让他忽略了什么?
  • 未被证明的假设: 作者把什么当成了不言自明但其实需要论证的东西?
  • 反对意见: 如果有人要反驳这本书,最强的论点会是什么?

这一步的产出会直接成为每个 skill 的 Boundary (B) 字段来源。

步骤 4 — 应用潜力 (Applicability, 本 skill 新增)

  • 哪些内容可以 skill 化? — 框架 / 清单 / 原则 / 决策程序 / 操作流程 / 计算规则 / 故障排查
  • 哪些内容不适合 skill 化? — 纯史料 / 纯故事 / 纯情感 (但可作为其他 skill 的 example)
  • 预估 skill 数量: 给一个粗略区间 (不要硬凑)
  • 预估优先级: 从"最能赋能普通人"的角度给候选 skill 排序

在 BOOK_OVERVIEW.md 建立原书关键任务清单:task_id、读者要完成的任务、原文位置、预期交付物、重要性及依据。以目录、正文、图表和用户目的为依据,不从旧版 verified 反推清单。内容类型按候选区分,混合型书籍不套单一门槛。 对原文没有提供的任务条件记缺口,不用常识补成作者的方法。此清单是阶段 1.5 coverage-audit.md 的独立核查基准。

质量门 (进入阶段 1 之前必须满足)

  • 主旨能用一句话说清
  • 骨架列出 3–7 个一级论点
  • 关键术语按原文实际数量列出,不为数量凑概念
  • 已检查局限、前提和未证明假设;无证据时标记待核查,不编造三条批判
  • 已列出原书关键任务、来源位置、交付物及重要性依据
  • 已向用户展示 BOOK_OVERVIEW.md 并得到确认

常见失败模式

  1. 跳过批判阶段 — 导致 skill 把作者的偏见当真理
  2. 骨架不是"作者的骨架",而是自己的想法 — 注意你在写摘要还是在写读后感
  3. 术语定义用字典 / 常识而非作者的特定用法 — 作者用"能力圈"和字典用"能力圈"不是一回事

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