倉頡 Skill：把長內容蒸餾成 Agent 能在任務中呼叫的方法

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

你可能把一本書畫滿重點，幾週後真的遇到問題，卻想不起該用哪一招。把書摘要丟給 AI 也幫助有限：它能背，但不知道什麼時候該拿出哪一招。

先把名詞說清楚：這裡講的 Skill，可以先想成 AI 工具箱裡的一張「工作卡」。卡上寫著遇到哪類問題拿出來、照哪些步驟做、哪些情況不要用。Claude Code 或 Cursor 看懂你現在的任務後，會自己挑對的卡來用，不用你每次重新交代。倉頡 Skill（MIT 開源）做的事，就是把書、長影片字幕、Podcast 逐字稿、課程裡能反覆使用的方法，做成一張張這樣的工作卡。

它有意思的地方不只是整理。它會先刷掉原文證據不足的方法，再故意出幾題「看起來很像、其實該用別張卡」的問題，檢查 AI 會不會拿錯卡。

Pin

先淘汰證據不足的方法

一般摘要工具會盡量留下重點，倉頡卻先刪。README 寫得直接：候選方法通常只有 25-50% 能過關；落選的方法不會消失，而是連同原因寫進 rejected/，方便你回頭檢查。

流程一開始用 Adler 的分析閱讀法，就是《如何閱讀一本書》裡那套先看全貌、再解釋、質疑與想用途的拆解方式，產出一份像整份內容地圖的 BOOK_OVERVIEW.md。接著五個提取器像五位分工不同的助理，各自找方法、規則、案例、反例與容易混淆的詞。然後每個候選都要過三道檢查：

1. 原始內容裡，是否至少有兩處彼此獨立的段落能佐證？
2. 這個方法能不能回答原文沒直接說明的新問題？
3. 它是不是超出「任何聰明人都說得出來」的常識？

把這三關想成一場面試：先查履歷有沒有兩份原文證據，再出一道書裡沒示範過的新題看它會不會活用，最後確認它不只是常識。三關都過才進 verified.md（保留清單）；沒過就進 rejected/（淘汰清單）並寫下原因，再由你決定要不要救回或刪掉。後面的 GTD 試跑你就會看到，GTD 很有名的「2 分鐘規則」就是卡在第一關：它在原文裡只出現一次，沒有第二處證據。

要提醒的是，低通過率不等於高品質。README 的 25-50% 只是作者描述的常見範圍，沒有獨立測試背書；比例低，可能是標準嚴，也可能是找漏了。這套流程比較值得肯定的是：它不把每個章節都硬做成方法。精彩但無法重複使用的段落可以留在原文，不必變成 AI 的工作卡；每次淘汰的理由也會留下來，讓人回頭查。

通過篩選後，還得測 AI 會不會拿錯卡

通過的方法會填進 RIA++ 格式。它源自《這樣讀書就夠了》的拆書便籤法，你可以把它想成一張六格工作卡：原文根據、自己的整理、書中案例、何時該用、執行步驟，以及何時停手。規格把這六格依序叫做 R、I、A1、A2、E、B（原文引用另有限制：中文每段不超過 150 字、英文不超過 100 詞）。

其中「何時該用」（A2）與「何時停手」（B）是這套格式最關鍵的兩格。一般筆記只記得「這個方法是什麼」，工作卡還得寫清楚「什麼時候拿出來」和「什麼時候收回去」。就像藥袋同時要寫用途與禁忌，只寫做法、不寫使用時機，AI 可能在相似問題上拿錯卡。

各張卡建好後，流程用卡片盒筆記法整理它們的關係，標出哪些要一起用、哪些看似相近卻不能混用。測試時，每張卡除了出「該用這張」的題目，也會故意放「看起來很像、其實該用別張卡」的誘餌題，這像駕照考題故意混進一個很像的錯誤選項，用來檢查 AI 是真懂情境，還是只對關鍵字。沒通過就回頭重做這張卡，不能只改考題讓分數變好看。

這比「成功做出幾張卡」更接近可用性。卡存在，不代表 AI 會在對的時機用；會拿出來，也不代表不會搶走別張卡該做的事。

界線很清楚，這幫你判斷要不要用

倉頡的目的，是讓 AI 之後真的能套用內容裡的方法；它會順帶產生一份給人讀的精華摘要 DIGEST.md，但那只是副產品。若你只想做書摘或讀後感，用一般摘要工具就夠了。

它不負責扮演作者。想模仿某位作者的語氣與思路，README 建議用同生態的 nuwa-skill；想改善已經做好的 Skill，用 darwin-skill。倉頡只負責把長內容裡可重複使用的方法做成工作卡，產出的測試格式還能再交給 darwin 使用。

它也不是影片下載器或轉寫服務。影片與 Podcast 必須先準備字幕或逐字稿，README 建議影片可搭配作者的 video-downloader Skill 取得文字。

它也不像一般軟體，貼一行安裝指令就能開始。README 給的是製作 Skill 的藍圖與零件（一個「用來產生其他 Skill 的 Skill」，旁邊配方法文件、提取器與範本），沒有一套所有環境通用的安裝步驟。規格只說，完成後要把產物放進 Claude Code 或 Cursor 讀得到的資料夾。OpenClaw 雖出現在專案標章裡，兩份文件卻沒同樣清楚地交代怎麼安裝與使用。

誰適合用

判準不是「收藏很多內容」，而是三件事：來源是否真的含有可重複執行的方法、你是否需要在未來任務反覆拿出來用、你是否願意檢查淘汰原因與測試結果。這三點比「我書架很滿」更能預測適不適合。

它也適合在意可追溯的人。你願意看 verified.md、rejected/ 與測試結果，必要時手動救回候選或退回重做，才用得到這套流程和一般摘要服務真正不同的部分。

README 列出 20 多套已生成的 Skill pack（投資、行銷、決策、醫學經典到 AI 課程都有），但這只是產物目錄，數量不能證明品質。

敘事性強、方法密度低的作品則未必過得了三重驗證：好故事帶來理解與感受，但不一定能通過跨段佐證、預測力與獨特性。硬把每份內容做成工作卡，反而違背工具自己的篩選原則。

使用前要接受的限制

第一，流程寫得很細，安裝教學卻不夠直接。文件清楚列出每個階段要做什麼，但第一次怎麼裝、怎麼啟動，仍要使用者自己確認。

第二，三重驗證裡的「預測力」與「獨特性」仍靠模型判斷，可能把有用但表述不集中的方法誤判進 rejected/。留下審計軌跡能讓人檢查，不能消除誤判。

第三，字幕或逐字稿一旦把術語轉錯，工作卡裡的原文片段與後續跨段佐證也會跟著走偏。倉頡要求先提供可存取的完整文字，不替來源正確性背書。

第四，這個流程可能花掉不少模型用量，也要人逐條檢查。五個提取器都要讀來源；每個通過的方法還要補內容、整理關係並出測試題。這是我依執行規格做的推論，文件沒有提供實際時間或費用數字，先做小型試點比較安全。

第五，引用限制不等於內容授權。規格限制中文每段原文引用 ≤150 字、英文 ≤100 詞，這是工具自己的品質紅線，不能自動解決書籍、課程或逐字稿的著作權問題。

我會怎麼開始

我不會先拿最厚、最喜歡的書測。第一份材料應該範圍可控，而且真的有重複出現的方法。這樣才看得出三重驗證是在排除常識，還是把有用內容錯殺。

先準備完整文字、標題、作者與時間等來源資訊。接著確認目前使用的 Agent 如何載入 Skill，再把 cangjie-skill 放進對應資料夾；README 沒給跨環境通用的安裝指令，實際路徑要以 Claude Code 或 Cursor 當前設定為準。如果你還在整理 Claude Code 的工作方式，可以先看 Claude Code 的實務設定與使用習慣。

第一次先跑到候選篩選後停下來，讀 BOOK_OVERVIEW.md、verified.md 與 rejected/。整體理解若已經偏掉，或保留下來的只是常識，就不要急著生成整套工作卡。這個中途確認本來就在規格內，目的是避免把錯誤一路加工。

確認候選值得保留，再完成 RIA++、關聯整理與壓力測試。拿一張通過測試的卡放進真實任務，另外準備一題相近卻不該觸發它的問題。你要看的不是回答寫得多漂亮，而是 AI 有沒有選對方法、守住邊界。

想先理解一般 Agent Skill 如何被結構化，可以對照 Refly 的 Agent Skills Builder；若想看單一 Skill 的實際組成，也能參考 last30days Skill 的拆解。

我實際跑了一次：拿 GTD 待辦管理法當輸入

為了看這套篩選規則實際怎麼運作，我依 SKILL.md 的核心規格做了一次縮小版試跑。輸入是介紹 Getting Things Done（GTD）待辦管理法的 Wikipedia 條目，採 CC BY-SA 授權，約 9500 字。以下是三個第一手發現。

Pin

第一，在這次手動試跑裡，三重驗證刷掉了兩個知名概念。 GTD 有兩個很有名的概念：2 分鐘規則、mind like water。這次它們雙雙落選。2 分鐘規則在來源裡只出現一次，沒有第二處證據；mind like water 是用水面比喻平穩回應變化，不是能直接照做的步驟。留下來的包括「把模糊任務改寫成下一個具體動作」（define-next-action）和「依手邊時間與工具選任務」（context-based-selection）這類在來源裡有多處證據、也能回答新問題的方法。

第二，通過率會浮動，25-50% 不是硬性範圍。 我這次通過率 6/10、60%，比 README 寫的 25-50% 高。這可能與 Wikipedia 條目較濃縮有關，但單次樣本無法判定差異來自輸入、執行者，還是判準尺度。這次結果只能說明 25-50% 不該被當成硬性範圍，不能拿來預測其他輸入的通過率。

第三，這次相似問題沒有拿錯卡。 我先在「把任務改寫成下一步」這張卡上註明：它不負責從多項任務裡選一件。再問「我只有 10 分鐘、手邊只有手機，該做什麼？」測試結果改選「依情境挑任務」那張卡。這就像你問「現在該走哪條路」，AI 沒有誤拿「地址怎麼寫」的說明卡。只是這是同一個 Agent 自己製作又自己驗收，也沒有拿掉那兩格做對照，因此不能證明這兩格普遍有效。

誠實講限制：這次測試有確認偏誤。規格是「優先」交給另一個沒參與製作的 Agent 盲測，避免自己出題、自己判分；這次單人試跑做不到。加上單一來源、單次跑、短輸入，只完整建構了 6 個通過單元裡的 1 個。因此這次試跑只能確認：我依規格手動處理這份 GTD 條目時，10 個候選中有 4 個被具體理由刷掉。它不能證明 cangjie-skill 對其他來源通常有效，也不能替產出的 Skill 品質背書。

常見問題

它會把我餵的內容上傳到哪裡？ 規格本身不綁定模型或雲端。內容怎麼送、由哪個模型處理、是否留存，取決於你用的 Agent（Claude Code、Cursor）、接的模型服務與設定。處理未公開書稿、內部課程或敏感逐字稿前，先查清楚目前環境的資料政策。

生成的 Skill 可以商用嗎？ cangjie-skill 的程式與文件採 MIT 授權，但這不等於取得輸入內容的商用權。生成結果能否商用，還要看來源授權、實際保留了多少原文，以及你的使用方式；工具本身不會替你取得這些權利。

最後的判斷

倉頡比較像把書裡的方法做成一盒 AI 工作卡：每張卡都要寫清楚原文證據、使用時機、做法，以及不適用的情況。它不適合拿來做另一份書摘。

我最認同的，是它把淘汰原因與誘餌測試也列為正式產物。對 AI 工作卡來說，寫清楚何時別用，往往比多塞一套方法更重要。