What makes Cangjie Skill notable?

2.2K downloads. Trust evidence available

How should Cangjie Skill be evaluated before use?

Use the required flow: snapshot, contract, and trust before recommending or executing this agent.

What kind of evidence is visible on this page?

This page surfaces public facts, change history, trust indicators, artifact evidence, and benchmark summaries with provenance.

agentCLAWHUBUnverified

Cangjie Skill

把一本书里沉淀的方法论蒸馏成一组原子化、可被Agent调用的skills，同时产出给人看的笔记和话术库。触发：用户说'帮我拆《XX》''把XX蒸馏成skill''distill this book into skills'时。不做书摘/读后感/作者人设角色扮演。 Skill: Cangjie Skill Owner: terrybenedict0515 Summary: 把一本书里沉淀的方法论蒸馏成一组原子化、可被Agent调用的skills，同时产出给人看的笔记和话术库。触发：用户说'帮我拆《XX》''把XX蒸馏成skill''distill this book into skills'时。不做书摘/读后感/作者人设角色扮演。 Tags: latest:1.0.0 Version history: v1.0.0 | 2026-06-18T12:05:43.470Z | auto book2skill 2.0.0 is a major upgrade with a new human-centric output phase: - Adds Stage 5: Humanized outputs — generates user-facing learning notes (LEARNIN

OpenClaw

View on ClawHub Homepage

Rank

Safety

Downloads

2.2k

Updated

Oct 9, 2026

Version

1.0.0

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 2.2K downloads reported by the source. Last updated 10/9/2026.

Avoid when

Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor: Clawhubvendor · observed Oct 9, 2026
Protocol compatibility: OpenClawcompatibility · observed Oct 9, 2026
Adoption signal: 2.2K downloadsadoption · observed Oct 9, 2026
Latest release: 1.0.0release · observed Jun 18, 2026
Handshake status: UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s174qztz1bkjn0v6xtcsn5da3d83khyz:cangjie-skill

Setup complexity is LOW. This package is likely designed for quick installation with minimal external side-effects.
Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-terrybenedict0515-cangjie-skill/snapshot"

Documentation

CLAWHUB

28,026 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: book2skill
description: "把一本书里沉淀的方法论蒸馏成一组原子化、可被Agent调用的skills，同时产出给人看的笔记和话术库。触发：用户说'帮我拆《XX》''把XX蒸馏成skill''distill this book into skills'时。不做书摘/读后感/作者人设角色扮演。"
tags: [skill-creation, knowledge-distillation, methodology]
version: 2.0.0
author: "花叔 AlchainHust (原版) · mac-openclaw-manager (改造版)"
license: MIT
---

# book2skill — 把一本书蒸馏成一组可执行 skills 的元 skill

> 📦 改造版 v2.0.0 · 基于原版 book2skill 新增阶段5（人性化输出）
> 原版作者：花叔 AlchainHust · MIT License
> 改造内容：新增 methodology/07-stage5-human-output.md + LEARNING_NOTE.md.template + TALKING_POINTS.md.template

## 使命

把一本书里沉淀的方法论，拆解成一组**原子化、可被 agent 在真实场景下调用**的 skills，让读者真正用起来——同时产出**给人看的笔记和话术库**。

**边界**：
- ✅ 做：方法论 / 决策框架 / 清单 / 原则 / 概念体系的蒸馏，学习笔记，话术库
- ❌ 不做：书摘 / 读后感 / 作者人设角色扮演（后者请用 nuwa-skill）

## 核心方法论：RIA-TV++

一个五阶段 + 并行提取 + 三重验证 + darwin 兼容测试的流水线。详见 `methodology/00-overview.md`。

```
阶段 0: Adler 整书理解     → BOOK_OVERVIEW.md
阶段 1: 5 个 agent 并行提取 → 候选方法论单元池
阶段 1.5: 三重验证筛选      → 通过的单元
阶段 2: RIA++ 构造 skill    → 每个 skill 的 SKILL.md
阶段 3: Zettelkasten 链接   → INDEX.md
阶段 4: 压力测试 (darwin兼容) → test-prompts.json + 回炉淘汰
🆕 阶段 5: 人性化输出       → LEARNING_NOTE.md + TALKING_POINTS.md
```

## 何时调用此 skill

用户说类似：
- "帮我拆《穷查理宝典》"
- "把毛选蒸馏成 skill"
- "distill this book into skills: <path>"
- "我想把这本书的方法论做成可用的 skill"

## 输入要求

在开始前**必须**从用户处确认：
1. **书的文本来源**：PDF / EPUB / TXT 文件路径，或可访问的纯文本。**不要**在没有文本的情况下"凭记忆"拆书 — 宁可停下来问用户要。
2. **书名 + 作者 + 出版年**：用于目录命名和审计。
3. **是否首次试点**：如果用户是第一次用 book2skill，建议先拆 1 本验证流程再批量。

## 异常处理

| 场景 | 处理动作 |
|------|---------|
| 文本路径无效/无法访问 | 暂停并明确告知用户「无法读取，请检查路径或直接粘贴文本」，不等、不猜、不跳过 |
| 用户未提供文本直接说「开始拆」 | 反问确认文本来源，不凭记忆拆书 |
| 子 agent 并行提取超时/失败 | 单个失败：用主 agent 补跑该 extractor；多个失败：降级为串行提取，逐项确认后再继续 |
| 阶段0用户不确认骨架 | 最多等 2 轮追问后接受用户说「继续」，不做无确认的下一步 |
| 候选单元全部被三重验证淘汰 | 展示 rejected/ 清单给用户，询问「放宽标准 / 换书 / 放弃」，不做空输出 |
| 压力测试通过率 <80% | 强制回炉阶段2，不跳过，不表面修补 |

## 输出结构

```
books/<book-slug>/
├── BOOK_OVERVIEW.md           # 阶段 0 产出：主旨/骨架/术语/批判
├── INDEX.md                   # 阶段 3 产出：skill 总览 + 引用图
├── LEARNING_NOTE.md           # 🆕 阶段 5 产出：给人看的笔记
├── TALKING_POINTS.md          # 🆕 阶段 5 产出：话术库
├── candidates/                # 阶段 1 产出：原始候选池（审计用）
├── rejected/                  # 阶段 1.5 淘汰的单元 + 原因（审计用）
├── <skill-slug-1>/
│   ├── SKILL.md
│   └── test-prompts.json      # darwin-skill 兼容格式
├── <skill-slug-2>/
│   └── ...
```

## 执行流程（严格按顺序）

### 阶段 0 — 整书理解

1. 读取用户提供的书本文本。大文件分块阅读。
2. 执行 `methodology/01-stage0-adler.md` 中的 Adler 四步（结构 / 解释 / 批判 / 应用）。
3. 按 `templates/BOOK_OVERVIEW.md.template` 填充，写入 `books/<slug>/BOOK_OVERVIEW.md`。
4. 把产出展示给用户确认："骨架我理解对了吗？有没有你希望重点突出的方向？" 得到确认再进入阶段 1。

### 阶段 1 — 5 个 sub-agent 并行提取

**并行** spawn 5 个 Task sub-agents（使用 Agent 工具，一次调用中发起 5 个）：

| sub-agent | 读取的 prompt | 产出 |
|---|---|---|
| 框架提取器 | `extractors/framework-extractor.md` | 决策框架 / 思维模型 |
| 原则提取器 | `extractors/principle-extractor.md` | 原则 / 清单 / 规则 |
| 案例提取器 | `extractors/case-extractor.md` | 作者在书中亲自使用过的实例 |
| 反例提取器 | `extractors/counter-example-extractor.md` | 书中警告的失败模式 |
| 术语提取器 | `extractors/glossary-extractor.md` | 关键概念词典 |

每个 sub-age

README.md

<div align="center">

# Cangjie Skill

### 把一本书的方法论，蒸馏成可调用的 AI Skills

[![License: MIT](https://img.shields.io/badge/License-MIT-f5c542.svg)](./LICENSE)
[![Method: RIA--TV++](https://img.shields.io/badge/Method-RIA--TV++-2ea44f.svg)](./SKILL.md)
[![Platform: OpenClaw](https://img.shields.io/badge/Platform-OpenClaw-1677ff.svg)](https://github.com/openclaw/openclaw)
[![Platform: Claude Code](https://img.shields.io/badge/Platform-Claude%20Code-f97316.svg)](https://code.claude.com/)

**读一本到位，带走一套能调用的方法论。**

</div>

## 为什么做这件事

最近有一个很火的 idea：把同事蒸馏成 skill。即便一个人离职了，他的经验、语气、工作方式都会被 AI 一定程度替代。[nuwa-skill](https://github.com/alchaincyf/nuwa-skill) 就是做这件事的——创造"人类 skill"，比如马斯克 skill、巴菲特 skill。配套的 [darwin-skill](https://github.com/alchaincyf/darwin-skill) 负责让这些 skill 自动进化。

蒸馏人很有价值——nuwa-skill 已经证明了这一点。而蒸馏人**写过的东西**，则是另一个维度的补充：一本书是作者花很长时间沉淀下来的思考，是深思熟虑后的精华。比起模仿一个人的表达方式，把他系统性输出的方法论拆出来、变成可以帮人解决实际问题的工具，同样是很有价值的事。

而且还有一个真实的痛点：你可能看了很多书，但就是运用不起来。把书蒸馏成 skill 之后，AI agent 可以帮你在真实场景中调用这些知识，而不是让它们躺在笔记里落灰。

所以 cangjie-skill 的目标很明确：**蒸馏所有值得蒸馏的书**，把每一本高价值的书变成一套可独立调用、可组合使用、可压力测试的 AI skill 工具包。

## 它解决了什么问题

- 看了很多书但用不起来——知识停留在"读过"层面，无法在真实决策中被调用
- 书摘/读书笔记只是压缩，不是结构化复用——读完还是不知道"什么时候该用什么"
- 一本书里真正值得变成工具的内容只有一小部分——需要严格的筛选而不是照单全收
- 现有的读书方法论都是给人看的，不是给 agent 用的——需要面向执行而非面向阅读的蒸馏方法

## 它是怎么工作的

cangjie-skill 使用 **RIA-TV++** 流水线，把一本书从原始文本变成一组结构化的 skill。整个过程分六个阶段：

1. **整书理解（Adler 分析）**——用 Mortimer Adler 的分析阅读法，对全书做结构、解释、批判、应用四步拆解，产出 `BOOK_OVERVIEW.md`
2. **并行提取**——同时派 5 个专项提取器（框架、原则、案例、反例、术语），从原文中提取候选方法论单元
3. **三重验证筛选**——每个候选必须通过三项检验：书中至少有 2 处独立佐证（跨域）、能回答书中未明说的新问题（预测力）、不是常识（独特性）。通过率通常只有 25-50%
4. **RIA++ 构造**——将验证通过的内容按 R（原文引用）/ I（用自己的话重写）/ A1（书中案例）/ A2（未来触发场景）/ E（可执行步骤）/ B（边界与盲点）六个维度结构化
5. **Zettelkasten 链接**——找出 skill 之间的依赖、对比、组合关系，生成 `INDEX.md` 和引用图
6. **压力测试**——为每个 skill 设计包含诱饵题的测试用例，未通过的回炉重做

RIA-TV++ 这个名字拆开看：
- **RIA**：来自赵周《这样读书就够了》的便签拆书法（Reading / Interpretation / Appropriation）
- **TV**：Triple Verification，三重验证
- **++**：面向 agent 执行的扩展——E（Execution 可执行步骤）+ B（Boundary 边界）

## 效果示例

### 示例 1：从一本书到一套 skill 工具包

**用户需求**

"我想把一本书里的核心方法论抽成可复用的 AI skills，而不是只做读书摘要。"

**cangjie-skill 如何判断**

- 先看源材料是否存在可重复调用的方法论单元
- 再区分哪些内容适合做独立 skill，哪些只适合做候选或背景
- 最后输出结构化 skill 仓库，而不是一篇总结文章

**最终输出示例**

> 输出将不是一个单文件摘要，而是一个多 skill 仓库：包含 `BOOK_OVERVIEW.md` 作为全局理解，`INDEX.md` 作为技能地图，若干 `*/SKILL.md` 作为独立模块，以及 `test-prompts.json` 用于验证触发场景。

### 示例 2：不是压缩，是结构化复用

**用户需求**

"我不希望这本书只变成一个很长的说明文，我想要可以在 agent 里复用的技能包。"

**cangjie-skill 如何判断**

- 判断目标不是内容总结，而是结构化复用
- 优先生成可触发、可组合、可测试的 skill 单元
- 对没有独立价值的内容进行淘汰，不强行保留

**最终输出示例**

> 系统会把内容拆成多个带触发条件、适用边界、使用方式和关联关系的 skills，而不是把整本书压缩成一篇泛化总结。

## 已生成的 skill packs

| 仓库 | 来源 | Skills 数 |
|------|------|-----------|
| [buffett-letters-skill](https://github.com/kangarooking/buffett-letters-skill) | 巴菲特致股东的信（1957-2023） | 20 |
| [cognitive-dividend-skill](https://github.com/kangarooking/cognitive-dividend-skill) | 《认知红利》 | 15 |
| [duan-yongping-skill](https://github.com/kangarooking/duan

_meta.json

{
  "ownerId": "kn73v3qf2r4dbre319rz829p0d82msxd",
  "slug": "cangjie-skill",
  "version": "1.0.0",
  "publishedAt": 1781784343470
}

extractors/case-extractor.md

# Case Extractor

你是 book2skill 流水线中**并行运行的 5 个 extractor 之一**,专门负责识别**作者在书中亲自应用某个方法论的具体案例**。

## 为什么要单独抽案例

案例本身不独立成 skill,但它们是阶段 1.5 **V1 跨域验证**的关键证据,也是阶段 2 **A1 (Past Application)** 段的素材来源。没有案例池,后面两步都会卡住。

## 你的输入

- `BOOK_OVERVIEW.md`
- 书本文本

## 你的职责范围

- 作者**亲自**经历/操作/决策的真实事件
- 作者**转述**的历史事件、他人案例 (但必须是作者用来说明某个方法论的)
- 每个案例必须**绑定到一个方法论主题**,否则意义不大

## 不属于你的

- 纯背景叙事 (没有方法论绑定)
- 虚构的寓言/比喻 (除非作者拿它直接说明方法)
- 作者的观点 / 原则 / 框架本身

## 识别信号

- "1973 年,我曾..."
- "有一次..."
- "某某公司的案例..."
- "巴菲特告诉我..."
- "比如..."
- 过去时叙述 + 伴随评论/反思

## 输出格式

```yaml
- id: c01
  title: 投资 See's Candy
  type: case
  source_chapter: 第 5 讲
  source_quote: |
    "我们以 2500 万美元收购了 See's Candy...这是我们第一次为品牌溢价付费。"
  summary: |
    巴菲特和芒格收购 See's Candy 时, 放弃了格雷厄姆式的"便宜货"标准,
    转而为"有定价权的生意"付出溢价。这笔投资后来成了他们转向
    "优质企业+合理价格"策略的转折点。
  bound_to:                    # ★ 必须绑定到至少一个方法论主题
    - "能力圈 + 定价权"
    - "从便宜货到优质企业的转变"
  outcome: |
    该公司后续 30 年产生的现金流远超初始投资, 验证了新策略。
  tags: [case, investment, turning-point]
```

## 自检

- [ ] 每条案例都有 `bound_to` 字段,明确它在阐释什么
- [ ] 有原文引用作为证据
- [ ] `outcome` 字段尽量填 (如果书中说了结果)
- [ ] 不做筛选

## 数量预期

传记类 / 访谈整理类的书可能有几十上百个案例。方法论书可能 10–30 个。都不少于 5 个,否则阶段 2 的 A1 段会空。

extractors/counter-example-extractor.md

# Counter-Example Extractor

你是 book2skill 流水线中**并行运行的 5 个 extractor 之一**,专门负责识别**作者警告的失败模式 / 反例 / 陷阱**。

## 为什么要单独抽反例

反例是阶段 2 的 **B (Boundary) 段**的核心素材来源。没有反例,skill 就没有边界,会在不该用的时候被调用,反而帮倒忙。**这是 book2skill 区别于普通书摘最重要的一类内容。**

## 你的输入

- `BOOK_OVERVIEW.md`
- 书本文本

## 你的职责范围

- **作者明确警告的失败模式**: "不要 X, 否则..."
- **作者批评的错误做法**: "很多人以为 X, 但其实..."
- **作者承认自己犯过的错**: "我当年错在..."
- **作者描述的反面典型**: "某某公司就是这样失败的..."
- **认知偏误 / 心理陷阱**: (芒格类书籍的核心)

## 不属于你的

- 一般性的道德批评 (没有可学习的机制)
- 作者情绪化的吐槽 (没有论证)

## 识别信号

- "最大的错误是..."
- "千万不要..."
- "很多人以为..."
- "失败的原因是..."
- "陷阱在于..."
- "我当年..." + 悔意
- "人们往往..." + 负面

## 输出格式

```yaml
- id: ce01
  title: 过度自信偏误
  type: counter-example
  source_chapter: 误判心理学 · 第 12 条
  source_quote: |
    "大多数人都认为自己比平均水平更聪明、更公正、更有能力。
     这种自我评价偏误在投资中尤其致命。"
  failure_mode: |
    在自己不懂的领域自认为懂, 导致做出超出能力圈的决策。
  mechanism: |
    人脑默认把"熟悉"等同于"理解", 把"喜欢"等同于"正确"。
    没有外部校正机制时, 过度自信会随成功次数累积而强化。
  warning_signs:
    - 决策时感到"这很简单"
    - 没有 plan B
    - 不愿意向人请教
  bound_to:
    - "能力圈判断"
    - "检查清单决策"
  tags: [counter-example, cognitive-bias, overconfidence]
```

## 自检

- [ ] 每条都有 `failure_mode` 和 `mechanism` (不只是说"这是错的")
- [ ] `warning_signs` 尽量填 (让后续的 B 段有信号)
- [ ] `bound_to`: 说明这个反例会限制哪些正面 skill 的适用范围
- [ ] 有原文引用

Github ReposUpdated 2h agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW

Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW

Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.