第 68 卷

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

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；

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：

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。