1. 项目概述从信息过载到知识提纯你有没有过这样的经历读完一本好书、看完一个深度视频或听完一期播客当时觉得醍醐灌顶笔记记了好几页但一周后当你在工作中遇到具体问题时那些“方法论”却像隔着一层毛玻璃怎么也想不起来具体该怎么用。我们的大脑擅长理解故事和概念却不擅长精确地存储和调用结构化的“操作步骤”。cangjie-skill 这个开源项目瞄准的正是这个痛点它试图将散落在书籍、视频、播客中的非结构化“方法论”知识蒸馏、萃取成一个个清晰、独立、可被AI直接调用和执行的“技能”AI Skills。简单来说它想做的不是另一个笔记工具而是一个“知识编译器”。传统的笔记是记录“是什么”What而 cangjie-skill 的目标是提炼出“怎么做”How并将其封装成机器可读、可执行的指令集。这背后的核心逻辑是人类的知识尤其是方法论知识其终极价值在于应用。当知识能被封装成标准化的“技能”它就不再是躺在笔记本里的死知识而是可以随时被AI助手调用的“活工具”。无论是让AI帮你进行一场结构化的复盘还是按照《金字塔原理》快速组织一份报告或是运用《非暴力沟通》的模型来润色一段棘手的对话都可以通过调用对应的“skill”来实现。这个项目非常适合三类人一是知识工作者和终身学习者他们渴望将输入高效转化为生产力二是AI应用开发者他们需要一个将领域知识快速转化为AI能力的管道三是对AI Agent智能体和工具调用Function Calling技术感兴趣的极客cangjie-skill 提供了一个绝佳的研究和实践样本。它不只是另一个玩具项目而是触及了未来人机协作的一个核心范式如何让机器更好地理解并执行人类积累的智慧结晶。2. 核心设计思路知识蒸馏的三层漏斗模型cangjie-skill 的整个工作流程可以形象地理解为一个三层漏斗模型每一层都对原始知识进行了一次提纯和转化。2.1 第一层从非结构化到结构化信息萃取这是最基础也最依赖人工或初级AI介入的一层。输入源是纯文本书籍摘录、视频字幕稿、播客文稿输出目标是结构化的“技能草案”。这个过程并非简单的摘要而是有目的的拆解。核心操作是识别和提取以下几个关键要素技能名称Skill Name一个动词开头、清晰描述动作的短语如“进行SWOT分析”、“运用SCQA故事模型”。触发意图Intent用户可能在什么场景下说出什么样的话来调用这个技能。这定义了技能的调用入口。例如对于“非暴力沟通”技能意图可能是“当我想表达不满但不想引发冲突时”。输入参数Input Parameters执行这个技能需要哪些必要信息。比如“准备一场演讲”技能可能需要“主题”、“受众”、“时长”作为输入。核心步骤/逻辑Core Steps/Logic这是技能的“算法”部分将方法论拆解成一步步可执行的操作或判断逻辑。例如“电梯演讲”技能的核心步骤可能是1. 陈述当前共识2. 指出面临的冲突或问题3. 提出你的解决方案4. 描绘未来价值。输出结果Output技能执行后应该交付什么。是一段文本、一个列表、一个结构化数据还是一个建议实操心得在这一步不要追求一步到位生成完美的技能描述。我的经验是先以“做笔记”的心态把原文中关于“步骤”、“要点”、“原则”的部分高亮出来。然后尝试用“如果我要教一个完全不懂的人做这件事我会怎么分步说”的思路去组织语言。使用“首先…然后…接着…最后…”这样的连接词强迫自己理清顺序。2.2 第二层从结构化到可执行代码封装第一层产出的还是人类可读的文档第二层则需要将其“翻译”成机器可读的代码。cangjie-skill 目前主要面向的是 Claude Code或兼容OpenAI Function Calling格式的生态。这意味着每个技能都需要被封装成一个符合特定格式的函数。这个函数通常包含两部分函数定义Function Definition一个JSON Schema严格定义了技能的元数据包括名称、描述、参数列表名称、类型、描述、是否必填。函数实现Function Implementation用编程语言如Python编写的具体逻辑代码它接收定义好的参数执行第一层提炼的核心步骤并返回结果。例如一个“生成会议纪要模板”的技能其函数定义会描述它需要“会议主题”、“参会人”、“预计时长”等参数而函数实现则是一个Python函数内部逻辑是按照固定的模板如会议目标、议程、决议、待办事项拼接字符串并返回。注意事项这是最容易出现“抽象漏洞”的环节。方法论文本中的很多隐含条件比如“在适当的时候”、“考虑多方面因素”在代码中必须被明确化。你需要做出具体的决策如果条件A则执行X如果条件B则执行Y。这个过程本身就是对方法论理解深度的一次考验。建议在编写实现时多增加一些if-else分支和输入验证让技能更健壮。2.3 第三层从可执行到可组合技能编排单个技能解决一个具体问题。但真实世界的任务往往是复杂的需要多个技能串联或并联。第三层关注的是技能的编排Orchestration与组合Composition。这可以通过两种方式实现工作流Workflow预先定义好一个固定序列。例如“产品需求评审”工作流可能依次调用“生成用户故事地图”、“进行风险识别”、“制定验收标准”等多个技能。智能体Agent由一个更高级的“大脑”LLM根据用户的目标动态地决定调用哪个技能、以什么顺序调用、以及如何将上一个技能的输出作为下一个技能的输入。这是更高级、更灵活的模式。cangjie-skill 项目如果具有远见其架构应该为这种组合预留接口比如定义清晰的技能输入输出规范使其能像乐高积木一样被轻松拼接。3. 实操全流程以“复盘会议”技能为例让我们以一个具体的例子走完从知识到技能的全过程。假设我们想将经典的“复盘四步法”回顾目标、评估结果、分析原因、总结规律封装成一个AI技能。3.1 第一步原始知识定位与精读我选择的源材料是《复盘对过去的事情做思维演练》一书中的核心章节。首先精读并划出关键点回顾目标不仅要看最初设定的目标还要看过程中新增或调整的目标。评估结果对照目标列出哪些做得好亮点哪些未达预期不足要事实求是量化对比。分析原因针对亮点和不足深入分析成功的关键因素和失败的根本原因。多用“五个为什么”追问。总结规律将分析得到的经验教训转化为可以指导未来行动的原则、方法或 checklist。3.2 第二步结构化萃取与技能草案撰写基于精读我撰写技能草案技能名称conduct_retrospective_meeting触发意图当项目或重要活动结束后需要系统性地总结经验教训、指导未来时。输入参数original_goals(字符串): 最初设定的目标。adjusted_goals(字符串可选): 过程中新增或调整的目标。actual_outcomes(字符串): 实际达成的结果要求具体、可衡量。background_context(字符串可选): 项目或活动的背景信息有助于分析。核心步骤目标对齐清晰呈现初始目标和调整后的目标。结果对比以事实为基础逐条对比目标与结果分类列出“亮点”和“不足”。根因分析对每个“亮点”和“不足”引导用户进行至少三层的“为什么”追问探寻直接原因和根本原因。规律提炼将分析出的根本原因转化为对未来行动有指导性的“行动原则”Do‘s和“避坑指南”Don’ts。输出结果一份结构化的复盘报告包含以上四个部分的详细内容。3.3 第三步代码实现与Claude Code集成接下来将草案转化为代码。这里展示一个简化的Python函数实现框架以及如何将其定义为Claude Code可调用的技能。首先是技能的函数定义通常以JSON格式描述{ name: conduct_retrospective_meeting, description: 遵循复盘四步法回顾目标、评估结果、分析原因、总结规律引导用户完成一次深度复盘并生成结构化报告。, parameters: { type: object, properties: { original_goals: { type: string, description: 项目或活动最初设定的目标。 }, adjusted_goals: { type: string, description: 执行过程中新增或调整的目标。 }, actual_outcomes: { type: string, description: 实际达成的结果请尽量具体、可衡量。 }, background_context: { type: string, description: 相关的背景信息有助于更准确地分析原因。 } }, required: [original_goals, actual_outcomes] } }然后是实现该函数的Python代码def conduct_retrospective_meeting(original_goals: str, actual_outcomes: str, adjusted_goals: str None, background_context: str None) - dict: 执行复盘会议技能。 report { section_1_review_goals: {}, section_2_assess_results: {highlights: [], shortcomings: []}, section_3_analyze_causes: {}, section_4_summarize_learnings: {action_principles: [], pitfalls_to_avoid: []} } # 1. 回顾目标 report[section_1_review_goals][original_goals] original_goals report[section_1_review_goals][adjusted_goals] adjusted_goals if adjusted_goals else 无新增或调整目标。 # 2. 评估结果此处简化实际可引入LLM进行自动对比和分类 # 假设我们有一个简单的关键词对比逻辑实际项目应更复杂 # 这里仅为演示真实场景中这一步可能需要用户参与或更复杂的NLP分析。 report[section_2_assess_results][highlights].append(请基于‘目标’与‘结果’手动列出做得好的方面。) report[section_2_assess_results][shortcomings].append(请基于‘目标’与‘结果’手动列出未达预期的方面。) # 3. 分析原因 - 提供引导性问题框架 report[section_3_analyze_causes][guidance_questions] [ 对于每一个‘亮点’请问为什么我们能取得这个成绩最关键的成功因素是什么, 对于每一个‘不足’请问为什么会出现这个差距最根本的障碍是什么尝试连续问3-5个为什么, 当时的环境、资源、决策流程中有哪些因素影响了结果 ] # 4. 总结规律 - 提供提炼框架 report[section_4_summarize_learnings][action_principles].append(从成功经验中我们可以固化哪些做法例如在项目启动时必须明确...) report[section_4_summarize_learnings][pitfalls_to_avoid].append(从失败教训中我们需要避免哪些陷阱例如在资源不足时切勿同时开启...) return report最后在Claude Code或类似AI编码助手的配置中注册这个函数定义。当你在对话中说“我们来复盘一下上周的项目”AI识别到意图后就会引导你输入original_goals和actual_outcomes等参数然后调用上面的函数返回一个结构化的复盘报告框架你只需要在此基础上填充具体内容即可。3.4 第四步测试与迭代优化技能开发完成后必须进行多轮测试。单元测试用不同的输入参数组合调用函数检查输出格式是否正确逻辑是否覆盖边界情况如可选参数为空。场景测试模拟真实用户对话看AI是否能正确触发技能交互流程是否自然。例如用户说“帮我复盘一下这次推广活动”AI是否能理解并索要“目标”和“结果”效用测试这个技能产出的复盘报告是否真的比你自己拍脑袋想更全面、更结构化找同事一起试用收集反馈。根据测试结果你可能会调整技能描述使其意图更清晰或者修改函数内部的逻辑使其分析更智能例如集成LLM调用来自动初步对比目标和结果。4. 关键挑战与应对策略实录在实际将方法论转化为AI技能的路上我踩过不少坑也总结出一些应对策略。4.1 挑战一知识的模糊性与代码的精确性矛盾问题描述方法论中大量存在“酌情处理”、“把握分寸”、“在适当的时候”这类模糊表述。代码无法理解“适当”是什么。应对策略具体化阈值将模糊表述转化为可量化的条件。例如“在项目后期频繁沟通”转化为“当项目剩余时间小于总时间的20%时将沟通频率从每周一次提升至每周三次”。提供选项将“酌情”转化为多个可选策略。例如“根据听众反应调整演讲节奏”可以转化为一个函数它接收“听众注意力评分高/中/低”作为输入然后对应输出“保持节奏”、“插入故事”、“进行提问”等具体建议。保留人机回环承认AI的局限不追求全自动化。技能可以输出“这里需要您的专业判断在A和B方案之间哪个更符合当前‘把握分寸’的原则”将模糊决策权交还给人。4.2 挑战二技能粒度的权衡问题描述一个技能应该多“大”是把整本《卓有成效的管理者》封装成一个巨无霸技能还是拆成“管理时间”、“重视贡献”、“发挥长处”等十几个小技能应对策略遵循单一职责原则一个技能最好只做好一件事。如果一个技能的描述需要用到“和”、“以及”、“然后”来连接多个不相关的动作它就值得被拆分。高内聚低耦合技能内部步骤联系紧密但技能之间依赖要少。这样便于单独测试、修改和复用。参考代码函数设计就像设计一个好的API函数技能应该有清晰的输入、明确的处理逻辑、标准的输出。如果一个函数参数超过7个或者逻辑分支过于复杂就应该考虑重构。4.3 挑战三技能的动态更新与版本管理问题描述你对某个方法论的理解加深了或者源材料有了新的版本如何更新对应的技能如何保证不同版本技能之间的兼容性应对策略建立技能仓库像管理代码一样管理技能。使用Git进行版本控制每个技能有独立的目录包含技能说明文档README.md、函数定义function.json、实现代码skill.py、测试用例test_skill.py。语义化版本为技能定义版本号如v1.0.0。重大逻辑更新升级主版本号新增功能升级次版本号问题修复升级修订号。维护技能索引一个中心化的索引文件如skills_registry.yaml记录所有可用技能的名称、描述、版本、调用路径。AI助手或调度系统通过查询这个索引来发现和调用技能。4.4 常见问题排查速查表问题现象可能原因排查步骤与解决方案AI无法识别技能意图1. 技能描述Intent不准确或太宽泛。2. 用户提问方式与预设意图不匹配。1. 检查并优化技能描述使其更具体、场景化。2. 在技能定义中增加更多“示例查询”Example Queries帮助AI学习匹配模式。技能被触发但参数获取错误1. 参数描述不清AI不理解该问用户要什么。2. 参数类型定义不合理。1. 为每个参数编写清晰、无歧义的描述最好包含示例。2. 检查参数类型string, number, boolean等是否符合实际需求。技能执行结果不符合预期1. 函数内部逻辑有bug。2. 对方法论的理解或转化有误。3. 输入数据质量差。1. 为技能函数编写单元测试覆盖正常和边界情况。2. 回顾原始方法论检查提炼的核心步骤是否有偏差。3. 在函数开头增加输入数据的清洗和验证逻辑。多个技能组合时流程混乱1. 技能之间的输入输出格式不统一。2. 缺乏一个协调工作流或Agent的逻辑。1. 制定团队内部的技能IO规范如统一使用JSON。2. 引入工作流引擎如Prefect、Airflow的轻量级思想或采用能进行任务规划的LLM Agent框架来负责调度。5. 技能生态构建与未来展望cangjie-skill 项目的真正潜力不在于单个技能有多强大而在于它能否催生一个繁荣的“技能生态”。想象一个开源社区就像今天的GitHub拥有海量代码库一样未来可能拥有一个海量的“技能库”。产品经理可以分享“用户故事地图绘制”技能设计师可以分享“设计冲刺引导”技能程序员可以分享“代码审查清单”技能。要实现这一点项目需要在架构上考虑以下几点标准化协议定义一套极其简单、通用的技能描述和调用协议降低贡献和使用的门槛。搜索与发现建立技能的标签、分类和评分系统让用户能轻松找到自己领域的高质量技能。组合市场不仅允许分享原子技能也允许分享编排好的“技能工作流”模板如“从0到1启动新项目”模板可能内嵌了十几个子技能。从我个人的实践来看这个过程最具挑战也最有趣的部分不是编码而是“知识工程”——那种把脑中模糊的“经验”和“直觉”通过反复推敲和结构化变成清晰、稳定、可复用的“逻辑”的过程。它强迫你对自己习以为常的工作方法进行彻底的反思和梳理这本身就是一个巨大的学习与提升。开始动手为你最熟悉的一个工作方法创建第一个技能吧你会发现自己对它的理解立刻上了一个台阶。