仓颉拆书

要解决的问题

• 多数“拆书”产物停留在摘要或读后感，Agent拿到的是自然语言感想，而不是可执行指令。
• 真正有用的方法论散落在长文本里，没有被拆成原子、可调用、可测试的skill。
• 没有文本就开始蒸馏，Agent容易凭记忆生成“看起来很对”的内容，无法追溯来源。

核心能力与关键步骤

• cangjie-skill 把书籍、视频转写、播客文字稿、课程或资料集统称为“书”，统一按长内容处理。
• 核心方法论为 RIA-TV++，包含五个阶段：整书理解、并行提取、三重验证、skill构造、压力测试与交付。
• 阶段0先用 Adler 四步完成结构、解释、批判与应用层理解，并生成 BOOK_OVERVIEW.md。
• 阶段1并行启动五个提取器：framework-extractor、principle-extractor、case-extractor、counter-example-extractor、glossary-extractor，分别产出决策框架、原则清单、作者案例、反例与术语候选。
• 阶段1.5执行三重验证：V1 跨域佐证，要求至少两个独立段落支持；V2 预测力，能回答书中未直接说明的新问题；V3 独特性，排除“聪明人都会说的常识”。
• 阶段2为每个通过的单元构造skill，包含 R 原文引用、I 解释、A1 历史应用、A2 未来触发、E 执行步骤、B 适用边界。
• 阶段3建立 Zettelkasten 链接，回填相邻skill的区分，并生成 INDEX.md、GLOSSARY.md。
• 阶段4设计 test-prompts.json，至少覆盖应调用、不应调用诱饵、边界模糊三类，并加入同书兄弟skill的跨skill混淆测试。
• 阶段5生成面向读者的 DIGEST.md，把通过测试的skill安装到 WorkBuddy 的 ~/.workbuddy/skills/ 或项目级skills目录。

适用边界与注意点

• 适合蒸馏方法论、决策框架、清单、原则和概念体系；不适合生成书摘、读后感或作者角色扮演。
• 没有可访问文本时必须停下来索取 PDF、EPUB、TXT、字幕或转写稿，不能凭记忆拆书。
• 首次使用建议先蒸馏一份内容做试点，确认骨架与候选列表后再批量处理。
• 长文本需要按分块策略处理，超出单个 sub-agent 上下文时应按 methodology/02-stage1-parallel-extract.md 切分。
• 被验证淘汰的候选会保留在 rejected/，不直接删除，方便审计与后续捞回。
• 每个skill的 description 必须写清触发条件，否则即使安装成功，Agent也难以在真实场景中调用。