制作skill，除了把自己的SOP沉淀为skill外，给大家推荐一个更简单方便的办法。
可以使用cangjie-skill把知识蒸馏成skill。
cangjie-skill 开源项目（v1 蒸馏书，v2 增加视频蒸馏），以及 Andrej Karpathy 关于 LLM 个人知识库的思路。
本章回答：如何将书本和视频中的方法论转化为 Agent 可自动调用的 Skill，以及这与 RAG 检索的本质差别在哪里。
问题起点：知识读了但用不起来
AI 在训练时已经摄入了大量经典著作，但在实际问答中，它往往输出"正确的废话"——每个字都对，但缺乏针对特定问题的可落地步骤。这不是幻觉问题，而是调用机制问题：AI 知道书里有什么，但不知道该在什么场景下主动调出哪个框架。
人类读者面临同样的问题。读完一本书，笔记做了、金句划了，合上书以为升级了。两周后遇到真实问题，那些方法论却抓不住。知识在记忆里，但激活路径不清晰。
知识精馏要解决的，就是这个"学了用不上"的问题。
知识精馏的定义
知识精馏（Knowledge Distillation for Skills）是指：从书本或视频中，提取出具有独立触发条件和执行步骤的原子化知识单元（Skill），使 Agent 在遇到对应场景时能够自动激活并给出可落地的行动路径。
化学中的精馏是按沸点将混合物分离成不同纯净组分。知识精馏按"框架 / 原则 / 案例 / 反例 / 术语"五个维度，将书或视频中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。
知识精馏不是：
- 摘要（压缩原文）
- 读书笔记（结构化原文）
- RAG 索引（存储原文片段供检索）
知识精馏是：将方法论转化为 Agent 能够在真实场景下自动调用的执行单元。
六阶段蒸馏 SOP
cangjie-skill 使用六个阶段将一本书或一组视频蒸馏成一套 Skill。
以蒸馏《文案创作完全手册》为例
阶段 0：整书 / 整片理解
不从摘取金句开始，而是先读清整本书的骨架：
- 全书主旨是什么；
- 核心论证链怎么走；
- 关键术语作者如何定义和使用；
- 作者自身的局限与盲点在哪里。
这一步决定后续提取的质量上限。跳过这一步直接提取，容易把作者反对的观点当成他支持的方法论。
阶段 1：五个 Agent 并行提取
五个 Agent 同时从五个维度扫描全文，独立工作，互不干扰：
| Agent | 提取目标 |
|---|---|
| 框架提取 Agent | 作者构建的分析或决策框架 |
| 原则提取 Agent | 可跨场景复用的行为原则 |
| 案例提取 Agent | 作者援引的正面案例和成功路径 |
| 反例提取 Agent | 作者援引的失败案例和反面教训 |
| 术语词典 Agent | 作者专有术语及其定义 |
五个角度并行，避免单线阅读中的视角遗漏。
阶段 1.5：三重验证筛选
每个候选知识单元必须通过三关，未通过直接淘汰：
| 验证类型 | 检查内容 |
|---|---|
| 跨域验证 | 该方法论在书中至少两个独立场景出现过，不是孤证 |
| 预测力测试 | 能用它推导出书中没有直接讨论的问题吗 |
| 独特性检验 | 是不是任何人都能说出来的常识？常识不构成 Skill |
宁缺毋滥。一本书通常有 50–100 个候选单元，通过三重验证后保留 10–25 个。
阶段 2：构造 Skill
每个通过验证的知识单元被构造成一个 Skill，核心是设计触发条件：
- 什么场景下自动激活；
- 激活后执行什么步骤；
- 什么时候不该用（边界）；
- 质量验证标准是什么。
触发条件的设计是最难也最关键的一步。没有触发条件的 Skill，在实际使用中无法被 Agent 正确识别和调用。
阶段 4：链接
找出 Skill 之间的关系，形成知识网络：
- 依赖：Skill A 的执行需要先调用 Skill B 的输出；
- 对比：Skill A 和 Skill B 适用于相似场景但方向相反；
- 组合：Skill A 和 Skill C 联合使用效果更好。
链接层让 Agent 在遇到复杂问题时，能够选择一组 Skill 而不只是单个 Skill。
阶段 5：压力测试
诱饵测试：故意给不该触发的场景，检验 Skill 是否能忍住不激活。一个没有边界的 Skill，在错误场景下调用反而帮倒忙。
执行验证：给出真实问题，验证 Skill 是否能输出可落地的步骤而不是正确的废话。
蒸馏产物结构
一本书蒸馏完成后，产物是一套 Skill 集合：
book-skill/
├── README.md # 书目信息、蒸馏说明、适用场景
├── skills/
│ ├── skill-01.md # 每个 Skill 独立文件
│ ├── skill-02.md
│ └── ...
├── index.md # Skill 关系网络（链接层产物）
└── tests/
├── skill-01-test.md # 每个 Skill 的测试用例
└── ...
每个 Skill 文件包含：触发条件、执行步骤、输出格式、边界限制、测试用例。测试用例格式兼容 darwin-skill（自动 Skill 进化工具），蒸馏产物可以持续自动优化。
知识精馏 vs RAG
这是使用者最常问的问题。
| 维度 | RAG | 知识精馏（Skill） |
|---|---|---|
| 本质 | 检索——找出最相关的原文片段 | 提炼——从原文中提取可执行的方法论 |
| 使用前提 | 用户需要知道该问什么 | 用户描述问题，Skill 自动识别并激活 |
| 质量控制 | 无——任何内容都可以入库 | 三重验证过滤，宁缺毋滥 |
| 调用方式 | 被动等待查询 | 主动匹配场景并触发 |
| 知识形态 | 存储原文（记住知识） | 提纯为执行步骤（运用知识） |
| 边界控制 | 无 | 诱饵测试确保不乱激活 |
| 资源消耗 | 较重（需维护向量索引） | 较轻（Skill 文件即可） |
RAG 解决"知识管理"问题——让你能查到书里有什么。知识精馏解决"知识运用"问题——让 Agent 在对的时刻主动拿出对的框架。
当你不知道该问什么时，RAG 帮不了你。Skill 不需要你记得书里有哪些方法论。
与 Karpathy LLM Wiki 思路的对比
Andrej Karpathy 提出 LLM 知识库（LLM Wiki）的思路：将原始资料索引到目录，让 LLM 编译成 Wiki，然后对 Wiki 做 Q&A，产出结果再回填，持续增强。
cangjie-skill 的阶段 0（整书理解）和阶段 1（并行提取）吸收了这一核心思想：先让 AI 深度阅读、结构化整理、建立索引、维护一致性。
两者的差别在于最后几步：
| 对比点 | LLM Wiki | 知识精馏 |
|---|---|---|
| 产物形态 | Wiki 条目（结构化知识库） | Skill 集合（可执行单元） |
| 使用方式 | 用户主动查询 | Agent 被动触发后主动激活 |
| 解决问题 | 知识管理 | 知识运用 |
两种方案不互斥，但目标不同。
视频蒸馏工作流（v2 新增）
cangjie-skill v2 在书本蒸馏基础上增加了视频蒸馏能力（借助video-downloader skill）。视频与书的区别在于：需要先完成"视频 → 文字"的转换，再进入六阶段 SOP。
视频获取与转写
整体流程：
视频下载：使用 yt-dlp（开源工具）支持 YouTube、B 站等主流平台，只需输入视频链接即可自动下载。视频号因平台限制暂不支持自动化。
音频转写：本地 Whisper 模型可用，但长视频转写耗时显著（一小时视频约需 48 分钟本地转写）。推荐使用 ASR API 服务，速度快，适合批量处理。
多视频合并蒸馏
同一主题的多个视频可以合并蒸馏，产出统一的 Skill 集合。合并时 Agent 自动处理内容去重和知识单元合并，避免同一原则在不同视频中被重复提取为多个 Skill。
video-downloader skill 与 cangjie-skill 的分工
视频处理逻辑（下载、提取音频、转写）独立封装在 video-downloader skill 中，不集成到 cangjie-skill 内部。原因是职责分离：cangjie-skill 专注文本蒸馏，视频获取是前置准备步骤，两者可以独立演进。
使用方式：
1. 用 video-downloader skill 获取视频文案
2. 将文案交给 cangjie-skill 进行六阶段蒸馏
3. 输出对应的 Skill 集合
适用与不适用场景
适合蒸馏的材料
| 类型 | 适合程度 | 说明 |
|---|---|---|
| 方法论密度高的书 | ★★★★★ | 框架清晰，原则可提取，最适合 |
| 访谈 / 课程视频 | ★★★★☆ | 内容结构化程度较高，适合蒸馏 |
| 长视频 / 播客 | ★★★☆☆ | 可用，知识密度因内容而异 |
| 金句散文类书籍 | ★★☆☆☆ | 方法论少，蒸馏产物质量有限 |
| 小说 / 叙事文学 | ★☆☆☆☆ | 不适合，缺乏可提取的方法论框架 |
蒸馏的前置条件
蒸馏前最好读过或看过一遍原材料。原因：
- 需要判断哪些方法论是重点；
- 需要在蒸馏过程中的关键节点做判断（如三重验证的边界情况）；
- 读过之后蒸馏，吸收率显著高于未读过直接蒸馏。
蒸馏不是替代阅读，而是阅读后的知识结构化工具。
蒸馏产物的持续优化
cangjie-skill 产出的每个 Skill 自带测试用例，格式兼容 darwin-skill（达尔文.Skill）。
darwin-skill 是自动 Skill 进化工具：将 Skill 喂给它，它会自动评估、改进、测试，且分数只升不降。
这意味着蒸馏产物不是静态的。随着 Agent 实际使用反馈的积累，Skill 可以持续自动优化，逐步接近书中方法论在真实场景下的最优表达。
资源消耗与模型选择
知识精馏是 Token 消耗密集型任务，主要来源于：
- 阶段 0 的全书上下文理解（长上下文）；
- 阶段 1 的五个 Agent 并行调用；
- 阶段 2 的三重验证（多轮推理）；
- 阶段 5 的压力测试（多组测试用例）。
| 场景 | 大致 Token 消耗 | 大致耗时参考 |
|---|---|---|
| 蒸馏一本普通书 | 数万至十余万 Token | 30–90 分钟 |
| 蒸馏 26 集课程视频（4 小时） | 较高 | 约 1 小时 |
| 蒸馏 4 个主题视频（80 分钟） | 中等 | 约 40 分钟 |
模型选择建议：
- 任务拆解和蒸馏协调：使用推理能力强的模型负责 Agent 编排；
- 并行提取和验证：可使用性价比高的 Coding 模型执行；
- 长上下文场景：选择原生支持长上下文的模型，避免因上下文截断导致蒸馏不完整。
【图片占位：Token 消耗过程截图，展示蒸馏过程中 Token 使用量的增长曲线】
蒸馏产物的分享与复用
知识精馏的一个重要特点是：产物（Skill 集合）可以直接分享和复用。
使用已蒸馏的 Skill：将 GitHub 仓库地址提供给 Agent，让 Agent 自动安装对应 Skill 即可使用，无需重新蒸馏。
社区协作：同一本书不需要被每个人重复蒸馏。任何人蒸馏的成果都可以开源，其他人直接复用。
扩展应用：视频课程的蒸馏产物可以进一步构建课程 Agent，供学员问答和辅助实践，即课程内容的结构化知识服务化。
常见误区
误区 1：AI 训练过的书不需要再蒸馏
对于大众熟知的经典书籍，AI 确实有一定记忆。但对小众书籍、新出版书籍以及时效性强的视频内容，AI 大概率没有训练过。此外，即使 AI 训练过某本书，蒸馏的价值在于建立触发条件——让 AI 知道在什么场景下应该调出该书的哪个框架，而不只是"知道书里有什么"。
误区 2：蒸馏完就不需要看书了
蒸馏是阅读的补充，不是替代。没读过就蒸馏，会在关键判断节点上缺乏背景，导致蒸馏结果遗漏重点。阅读过一遍后再蒸馏，蒸馏产物的质量和完整度显著更高。
误区 3：AI 给了建议就能直接执行
即使 Skill 被正确激活并给出了可落地的步骤，方向对不对、能不能执行、效果好不好，仍然需要人来判断。AI 给出的是选项和分析，决策是人的责任。
误区 4：Skill 覆盖越多越好
覆盖太宽的触发条件会导致 Skill 在不适用的场景下被错误激活，反而产生误导。三重验证和诱饵测试的目的正是控制边界，宁可覆盖窄一点，也不要乱激活。
蒸馏结果示例
以吴恩达《给所有人的 AI 入门课》（2026 版，26 个视频，时长约 4 小时）为例：
- 蒸馏耗时：约 1 小时
- 产出：25 个 Skill
- 特点：全部为时效性内容，AI 未经训练，蒸馏后可直接在对应场景下被 Agent 调用
总结：知识精馏在技能包体系中的位置
知识精馏是 Skill 的一种生产方式。它和第 25 章讨论的 SOP → Skill 封装流程是并行的：
| 来源 | 适用场景 |
|---|---|
| 从业务流程提炼（SOP → Skill） | 企业内部操作规范、重复性业务流程 |
| 从书本 / 视频蒸馏（知识精馏） | 专家方法论、经典著作、高价值课程内容 |
两者产物格式一致，都是带有触发条件的可执行 Skill，可以在同一个 Agent 框架下混合使用。