深度拆解书籍

它解决什么问题

读完一本书后，章节讲了什么、核心论点在哪、术语如何对应、有哪些延伸阅读，这些信息散落在不同页码与批注里，人工整理既费时又容易遗漏跨章节的关联。这个技能面向需要快速判断一本书是否值得精读的工程师读者，把拆解一本书的机械劳动交给并行子代理，最终产出一份结构化、可回查的 Markdown 深度学习笔记。

核心能力与工作方式

触发方式很直接：说“分析《长安的荔枝》”“读书笔记《三体》”或 book analysis: Thinking, Fast and Slow 即可。技能内部分四个阶段：

1. Phase 0 书籍定位：先解析书名。中文书籍优先走“豆瓣两步法”（成功率最高，成功后不再做其他搜索）；豆瓣失败或需交叉确认时用当当网验证；书名模糊时用引号精确匹配核心词。同时确定 book_name、author、book_type 等变量，并根据书籍类型（小说/经管/技术/历史/哲学/科普）生成传给每个子代理的适配提示，例如技术书侧重概念与实践场景。
2. Phase 1 并行采集：6 个 general-purpose 子代理在同一条消息中发出，分别负责章节结构与逻辑关系、背景与要点、问题与影响、解决方案与实施建议、术语与索引、延伸阅读。
3. Phase 2 交叉分析（主线程）：不是简单拼接六路结果，而是识别一致性信号（多路提到同一观点即高置信）、补充关系与矛盾信号（标注争议），汇总全部来源 URL；再做要点↔章节映射、问题↔方案对应、术语↔章节锚定、延伸阅读↔核心主题关联，最后提炼 3–5 句核心结论，回答“这本书值不值得我花时间”。
4. Phase 3 输出：按模板生成报告并保存为 ./{book_name_en}-book-analysis-{date}.md，book_name_en 使用小写连字符形式（如 sapiens、three-body），文末“参考来源”区块按维度分组列出全部链接。

适用边界与注意点

• 每个子代理的输出有字数上限，防止主线程上下文溢出；个别维度超时或失败时，报告中标注“数据不足，建议读者自行查阅”，其余维度照常分析。
• 术语索引的章节标注必须与章节结构分析保持一致，这是交叉验证的一部分。
• 小众或新书检索结果很少时，会合并相关维度，减少重复的“信息不足”提示。
• 同一本书存在多个版本或译本时，优先分析最知名或最新版本，并注明版本信息。
• 书名完全无法识别时会提示用户确认，可给出模糊匹配建议。
• 该技能生成的是深度学习笔记而非摘要，需要原始文本细节时仍需回到原书。