用 Skill 蒸馏一本书

2026-09-10

怎么在一年内赚到 1000 万？如果这个问题直接丢给 AI，它大概率会给出正确的废话。按理说 AI 训练时已经把各种经典名著都学进去了，但却用不上来，总是说一堆看似正确的废话——每个字都对，但就是没用。

人也一样。读完一本讲认知升级的书，笔记做了，金句划了一堆，合上书那一刻觉得自己升级了。过两周想用书中方法论解决实际问题时，记忆又变得很模糊，只能重新打开书翻找。书架上都躺着几本读完但用不起来的书：段永平、查理·芒格、巴菲特……道理都懂，真到做决策时，那些框架就像从来没出现过。

最近 Skill 很火，有人把同事蒸馏成 Skill：人离职了，但他的经验、做事方式、说话语气都被固化成 AI 可调用的 Skill 继续干活。还有人做了女娲 Skill，专门蒸馏各领域最强的那批人，比如马斯克、芒格、巴菲特。

顺着这个思路往下想：可以蒸馏一个人，为什么不蒸馏他花大量时间写的书？书是一个人沉淀下来的深度思考，是反复推敲、实战验证过的精华。蒸馏大佬们写的书，拿到的是真正可落地的验证过的方法论。

仓颉.Skill 就是为这件事做的：一个能蒸馏任何书的 Skill，让 Agent 把书里的知识用起来。

仓库地址：https://github.com/kangarooking/cangjie-skill

仓颉.Skill 不是做摘要，不是做读书笔记，而是让 AI 真正把书里的方法论学会，在遇到对应问题的时候自动调用对的框架，给出可落地执行的步骤。目前已蒸馏的书包括《认知红利》《穷查理宝典》《大道：段永平投资问答录》《不拘一格：网飞的自由与责任工作法》《巴菲特致股东的信（1957-2024）》。光从巴菲特致股东的信中就蒸馏出了 20 个 Skill：

六阶段蒸馏 SOP

仓颉.Skill 用 Claude Code + Opus 打造，关键认知是：蒸馏书不是做摘要。产出的东西必须是 Agent 能在真实场景下自动调用的，有触发条件、有执行步骤、有边界限制、有质量验证。

六阶段流水线具体如下：

整书理解。 不是上来就摘金句，而是先把整本书的骨架读清楚——主旨是什么、论证链怎么走、关键术语作者怎么用的、作者有什么盲点。
五个 Agent 并行提取。 同时从五个角度扫描全文：一个找框架，一个找原则，一个找案例，一个找反例，一个建术语词典。独立工作，互不干扰。
三重验证。 每个候选单元都要过三关：跨域验证、预测力测试、独特性检验。通不过就淘汰，宁缺毋滥。
构造 Skill。 关键是设计触发条件——什么场景下自动激活，什么时候不该用。这一步最难，也最决定 Skill 到底有没有用。
链接。 找出 Skill 之间的依赖、对比、组合关系，形成知识网络。
压力测试。 包括诱饵测试——故意给不该触发的场景，看 Skill 忍不忍得住。

左（上）图是原始版 SOP，右（下）图是借鉴 nuwa skill 后的升级版 SOP。

这套流程跑完，一本书会被蒸馏成一套 Agent Skills，包含几个甚至几十个原子化的 Skill（取决于书的知识密度），每一个都能独立被调用，都有明确的适用场景和边界。

化学里有个概念叫精馏：把混合物按沸点分离成不同的纯净组分。知识精馏做的事一样：按「框架 / 原则 / 案例 / 反例 / 术语」五个维度，把书里的知识分离成不同类型的纯净组分，然后只把真正有用的提纯成可执行的 Skill。所以这套方法被称为「知识精馏」。

为什么叫仓颉

传说仓颉观鸟迹兽纹，从大自然的万千信息中提炼出可复用的符号，于是人类有了文字，知识第一次可以被记录和传播。仓颉.Skill 做的事本质上一样：从书本的万千文字中，提炼出可被 Agent 使用的 Skill。仓颉让知识能被记录，仓颉.Skill 让知识能被 Agent 执行。英文名就叫 cangjie-skill。

实测效果与 Token 消耗

第一本拿来蒸馏的是《认知红利》。一开始用 Claude Code + Claude Opus 跑，一跑起来就发现仓颉.Skill 是个 Token 炸弹：

Claude Pro 额度根本不够跑，换成 Claude Max 继续蒸馏，Token 消耗也很快超过 10 万，只能叫停。

最后换成了更高性价比的组合：Claude Code + GLM-5.1。用智谱的 Coding Plan 随便跑都没有触到限额。

五个 Agent 先并行扫描全文，各自独立工作、互不干扰：

提取完一共拿到 22 个候选单元，然后过三重验证——跨域验证、预测力测试、独特性检验，没通过的直接淘汰：

最终筛下来 15 个可执行的 Skill，每一个都有明确的触发场景、执行步骤和边界限制：

然后重新开一个 Claude Code 窗口，问同一个问题：怎么在一年内赚到 1000 万？（补充了一些个人信息）

这次完全不一样，AI 没有给正确的废话。它调用了《认知红利》里的好几个方法论框架，给出的建议总结下来是：批发时间、设计增强循环、打造复利飞轮。多维能力模型帮助找到了可以组合的能力维度，指出哪些组合能打造出市场稀缺性，一步步推导出大方向和具体行动路径。

关键不在于这个方案一定能赚到 1000 万，而是书里的知识真的被「用」起来了。同一本书，读完只觉得有道理；蒸馏成 Skill 之后，AI 把方法论变成了行动路径。

为什么不用 RAG

把书丢进知识库用 RAG 不就行了？答案是：不行。

RAG 的本质是检索。你问一个问题，它去知识库里找最相关的原文片段拼给你看。问题在于你得知道该问什么——如果你不知道该怎么问，RAG 帮不了你，它不会知道「你现在遇到的这个问题，其实书里有好几个框架可以用」。

Skill 不一样。每个 Skill 都有触发条件——当你遇到某类问题、说出某类话时，它会自动激活（会自动匹配多个方法论）。你不需要记得书里有哪些方法论，AI 替你记着，替你在对的时刻拿出来用。

另外，RAG 没有质量检查，什么内容都可以往里塞；仓颉.Skill 有三重验证：跨域验证（这个方法论在书里至少两个独立场景出现过吗？）、预测力测试（能用它推导出书里没直接讨论的问题吗？）、独特性检验（是不是任何人都能说出来的常识？），通不过的直接淘汰。还有诱饵测试：故意给不该触发的场景，看 Skill 会不会乱调用——一个没有边界的 Skill，用错的时候反而帮倒忙。

RAG 还很重，Skill 则比较轻量。本质上 RAG 还是帮你记知识，而不是运用知识。

与 Karpathy 的 LLM Wiki 思路对比

Andrej Karpathy 分享过一个思路：LLM Knowledge Base（LLM Wiki）——把原始资料索引到一个目录里，让 LLM「编译」成一个 wiki，然后对这个 wiki 做 Q&A，产出的结果再回填到 wiki 里，持续增强。

仓颉.Skill 的流程吸收了这个核心思想：先让 AI 深度阅读、结构化整理、建立索引、维护一致性，这些在阶段 0（整书理解）和阶段 1（并行提取）里都有直接体现。但知识精馏在这个基础上多走了几步：Karpathy 的方案是把知识编译成 wiki，等着你去查它；仓颉.Skill 是把知识提纯成 Skill，该用的时候它主动跳出来。一个解决「知识管理」问题，一个试图解决「知识运用」问题。

写在最后

蒸馏不是让 AI 替你读书。蒸馏一本书之前，最好先看过一遍——不然不知道哪些方法论是自己看中的、哪些重点没被照顾到。蒸馏过程中需要人参与判断，蒸馏出来的效果会更好。

就算 AI 通过 Skill 给出了建议，人也得有足够的认知水平去判断：这个方向对不对？能不能执行？效果好不好？AI 越强，对人的要求其实越高，因为它能给出更多选项、更复杂的分析，但选哪个、信哪个、执行哪个，是人的事。

而且，蒸馏和运用的过程本身就是一种加速学习：蒸馏中会重新审视书里的知识，使用 Skill 建议的时候会进一步思考，这比单纯读一遍书的吸收率要高得多。