1. 从“读”到“用”为什么我们需要“Book to Skill”最近在折腾AI Agent和本地大语言模型的时候我脑子里一直盘旋着一个想法我们读了那么多书看了那么多教程最后真正能转化为实际能力的到底有多少这个问题在我尝试用Claude Code去解析一些开源项目或者用本地部署的模型去理解一个复杂框架时变得尤为突出。我们获取知识的效率似乎远远超过了消化和应用它的效率。这让我想到了一个概念我把它叫做“Book to Skill”。这不仅仅是一个酷炫的名字它背后指向的是一种更高效的知识转化范式。传统的学习路径是“阅读 - 理解 - 记忆 - 实践”这个过程漫长且损耗巨大。很多精华在传递中就流失了更别提那些厚厚的技术手册或者动辄几百页的经典著作读完一遍能记住核心思想就不错了想精准调用里面的某个技巧可能还得回去翻半天。而“Book to Skill”想做的是借助现代AI工具特别是像Claude Code这类具备强大代码理解和生成能力的智能体将书籍、文档、教程中的“静态知识”蒸馏、萃取成一个个可执行、可调用、可组合的“动态技能”。想象一下你读了一本关于Python高效编程的书AI不是帮你总结摘要而是帮你生成一个“代码审查技能包”这个技能包能理解书中的最佳实践并直接应用于你的代码库指出不符合规范的地方。或者你研究了一个复杂的系统架构文档AI能帮你提炼出一个“架构决策问答技能”你可以随时向它提问“为什么这里要用消息队列而不是直接调用”这不仅仅是简单的文本摘要或问答。“Skill”在这里是一个封装了特定领域知识、逻辑判断和执行能力的原子化单元。它有点像编程中的“函数”或“类”有明确的输入、输出和边界。一个设计良好的Skill应该可以被其他Agent调用可以被组合成更复杂的工作流甚至可以自我迭代优化。这也是为什么相关热词里会频繁出现“AI Agent”、“Claude Code”、“Skill开发”的原因——大家已经开始在工具层面探索如何实现这种“知识即能力”的转化了。对我个人而言探索“Book to Skill”的动机很实际。无论是作为开发者去集成一个新的SDK还是作为学习者去掌握一个前沿领域我都受困于信息过载和知识碎片化。我希望有一个“伙伴”它能吃透我指定的资料然后化身成我随时可以咨询的专家或者直接帮我完成一部分工作。这比漫无目的地向一个通用大模型提问要精准和高效得多。2. 核心组件拆解构建“Book to Skill”流水线需要什么要实现将一本书或一份文档转化为可用的Skill我们不能只靠一个魔法黑盒。它需要一套清晰的流程和几个关键组件的协同工作。根据当前AI生态中的工具和实践我们可以梳理出以下几个核心环节。2.1 知识源与预处理给AI“喂”对材料第一步也是最重要的一步是确定我们要“蒸馏”什么以及如何准备好这些原材料。知识源的选择不仅仅是实体书或PDF。在数字时代我们的“书”可以是多种形态结构化文档Markdown、API文档、项目Wiki。这些是AI最容易理解和处理的形式因为它们本身就有清晰的层级和格式。非结构化文档PDF、扫描版图书、网页文章。这些需要额外的OCR光学字符识别和格式清理步骤提取出纯文本。多媒体内容视频教程的字幕、音频播客的转录稿。这些内容包含了大量的实操讲解和语境信息价值很高但处理复杂度也高。代码仓库对于技术类技能源代码本身就是最精确的“书”。结合Commit历史、Issue和PR讨论能提炼出更丰富的开发模式和问题解决技能。预处理的关键步骤文本提取与清洗使用像pypdf2、pdfplumber针对PDF或BeautifulSoup针对网页等工具将原始材料转化为干净的纯文本。这一步要特别注意去除页眉页脚、无关水印、混乱的排版符号。分块与向量化这是为后续的“理解”和“检索”打基础。我们不能把整本《算法导论》一次性塞给模型。需要根据语义将文本切割成大小适中的“块”Chunk比如按章节、按主题段落。然后使用嵌入模型Embedding Model将这些文本块转化为高维空间中的向量Vector。这个向量就像这段文字的“数学指纹”语义相近的文本其向量在空间中的距离也更近。元数据关联为每个文本块添加标签例如所属章节、关键词、内容类型概念定义、代码示例、操作步骤。这能极大地提升后续技能调用时的精准度。实操心得分块大小是个需要权衡的艺术。块太大包含信息过多检索会不精准块太小会割裂完整的逻辑。对于技术文档我通常按“一个概念其解释一个简单示例”作为一个块。对于操作指南则按“一个完整的操作步骤”分块。预处理的质量直接决定了最终Skill的“智商”。2.2 智能体核心Claude Code与本地大语言模型的角色这是整个流水线的大脑负责理解、推理和生成。热词中频繁出现的Claude Code和本地部署大语言模型是这里的两个关键选项它们各有优劣。Claude Code它本质上是一个专为代码理解和生成优化的AI智能体。它的强项在于对编程语言的深度理解对于技术书籍、开发文档它能更准确地把握代码上下文、API用法和设计模式。长上下文窗口能够处理很长的输入适合一次性分析多个相关的文本块。与开发环境集成通过VSCode等插件它能直接“看到”你的项目结构使得提炼出的技能能更贴合你的实际工程环境。本地部署的大语言模型如通过Ollama运行的Llama、CodeLlama、DeepSeek-Coder等模型。它们的优势在于数据隐私与安全所有知识处理和技能生成都在本地完成无需担心敏感信息上传。可控性与定制化你可以针对特定领域对模型进行微调Fine-tuning让它更擅长处理某一类知识比如医学文献或法律条文。成本可控一次部署无限次使用没有API调用费用。在实际构建“Book to Skill”系统时我倾向于采用混合架构用本地模型处理常规的知识理解、摘要和初步技能脚本生成保障隐私和基础能力在需要极强代码推理或复杂逻辑拆解时可以调用Claude Code这类云端专业模型作为“外脑”。这就需要一套像热词中提到的Harness那样的智能体基础设施层来管理不同模型的路由、上下文组装和调用。2.3 Skill的封装与执行从知识到可运行的程序AI理解了书中的内容接下来要把它变成真正的“Skill”。这涉及到技能的描述、封装和调用机制。技能描述与注册一个Skill需要被清晰定义。通常一个技能描述Skill Manifest会包括技能名称Name唯一标识符如code_review_based_on_clean_code。功能描述Description用自然语言说明这个技能能做什么。“基于《代码整洁之道》的原则对给定的Python函数进行代码风格和潜在问题的审查。”输入参数Input Schema明确定义技能需要什么。例如{“code_snippet”: “string”, “language”: “string”}。输出格式Output Schema定义技能返回什么。例如{“issues”: [{type: “warning”|“error”, “line”: number, “description”: “string”}], “suggested_fix”: “string”}。触发条件或关键词在什么情况下应该调用这个技能。技能的实现形式提示词模板最简单的方式。将书本知识浓缩成一段结构化的提示词Prompt Template当需要该技能时将用户输入和相关的知识片段通过向量检索得到填充到模板中交给大模型生成结果。这种方式灵活但每次执行都需要经过LLM推理可能较慢。生成可执行脚本/函数更高级的方式。让AI分析书籍内容后直接生成一小段可独立运行或嵌入的代码Python函数、Shell脚本、甚至是一个微服务API。例如从一本《Linux系统管理》中蒸馏出“检查磁盘使用情况并发送报警”的Python脚本。这种方式执行效率高但生成可靠、安全的代码挑战更大。配置工作流节点在一些低代码/无代码的AI Agent平台如LangChain、AutoGen的衍生工具中Skill可以封装成一个工作流节点通过拖拽方式与其他技能组合。技能的存储与管理需要一个“技能库”来存放所有蒸馏出的Skill。这个库可以是本地的一个JSON文件、一个SQLite数据库或者一个更专业的向量数据库用于技能的语义检索。每次需要完成复杂任务时Agent可以从库中检索并组合相关的技能。3. 实战演练手把手构建一个“代码审查”Skill光说不练假把式。我们以一本经典的编程书籍——《代码整洁之道》Clean Code为例来演示如何将其部分内容蒸馏成一个可用的“代码审查”Skill。我们将使用本地工具链来保证过程的透明和可控。3.1 环境准备与知识库构建首先我们需要一个数字版的《代码整洁之道》。假设我们已有一份该书的PDF版本。步骤一搭建基础环境我们使用Python作为主要语言。创建一个新的虚拟环境并安装必要依赖# 创建项目目录 mkdir book_to_skill_clean_code cd book_to_skill_clean_code python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate # 安装核心库 pip install pypdf2 langchain langchain-community chromadb sentence-transformers # pypdf2用于PDF解析langchain提供框架chromadb作为向量数据库sentence-transformers用于生成文本向量步骤二解析PDF并创建向量知识库我们编写一个脚本将书籍内容导入到向量数据库中。# build_knowledge_base.py from langchain_community.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import Chroma # 1. 加载PDF loader PyPDFLoader(“path/to/your/clean_code.pdf”) documents loader.load() # 2. 分割文本 text_splitter RecursiveCharacterTextSplitter( chunk_size1000, # 每个块约1000字符 chunk_overlap200, # 块之间重叠200字符避免割裂上下文 separators[“\n\n”, “\n”, “。”, “.”, “ ”, “”] # 按段落、句子分割 ) chunks text_splitter.split_documents(documents) print(f“将文档切分为 {len(chunks)} 个文本块。”) # 3. 创建嵌入模型和向量库 # 使用轻量级的开源嵌入模型 embeddings HuggingFaceEmbeddings(model_name“all-MiniLM-L6-v2”) vectorstore Chroma.from_documents( documentschunks, embeddingembeddings, persist_directory“./clean_code_db” # 向量数据库持久化目录 ) vectorstore.persist() print(“知识库构建完成已保存至 ./clean_code_db”)运行这个脚本我们就得到了一个基于《代码整洁之道》全部内容的可检索知识库。向量数据库会帮我们记住每一段文字的位置和语义。3.2 设计并实现“代码审查”Skill现在我们来定义和实现这个Skill。我们将采用“提示词模板知识检索”的方式。步骤一定义技能描述我们创建一个skills.json文件来注册这个技能{ “clean_code_reviewer”: { “description”: “基于《代码整洁之道》中的原则对提供的代码片段进行审查指出违反整洁代码规范的问题并提供改进建议。”, “input_schema”: { “code”: {“type”: “string”, “description”: “需要审查的代码片段”}, “language”: {“type”: “string”, “description”: “编程语言如 ‘python’ ‘java’” “default”: “python”} }, “output_schema”: { “issues”: [ { “type”: {“type”: “string”, “enum”: [“命名”, “函数”, “注释”, “格式”, “设计”]}, “description”: {“type”: “string”}, “line_suggestion”: {“type”: “string”}, “book_reference”: {“type”: “string”} } ], “overall_suggestion”: {“type”: “string”} } } }步骤二实现技能执行逻辑我们编写一个Python函数作为该Skill的载体。这个函数会从向量知识库中检索与“代码审查”、“坏味道”相关的段落然后组合成提示词交给大模型这里我们用本地运行的Ollama Llama模型为例。# skill_clean_code_reviewer.py import json from langchain.vectorstores import Chroma from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.llms import Ollama from langchain.prompts import PromptTemplate class CleanCodeReviewerSkill: def __init__(self, db_path“./clean_code_db”): # 加载之前创建的知识库 self.embeddings HuggingFaceEmbeddings(model_name“all-MiniLM-L6-v2”) self.vectorstore Chroma(persist_directorydb_path, embedding_functionself.embeddings) # 连接本地Ollama服务使用CodeLlama模型 self.llm Ollama(model“codellama:7b”, temperature0.1) # temperature调低让输出更确定 def invoke(self, code: str, language: str “python”) - dict: # 1. 知识检索从书中查找与代码审查最相关的5个段落 query f“代码审查 坏味道 代码整洁 {language} 代码” relevant_docs self.vectorstore.similarity_search(query, k5) book_knowledge “\n\n”.join([doc.page_content for doc in relevant_docs]) # 2. 构建提示词模板 prompt_template PromptTemplate.from_template(“”” 你是一位资深代码审查专家严格遵循《代码整洁之道》中的原则。以下是书中的相关摘录 {book_knowledge} 请基于以上原则审查以下{language}代码 “{language} {code} “ 请以JSON格式输出审查结果严格遵循以下结构 {{ “issues”: [ {{“type”: “问题类别”, “description”: “具体问题描述”, “line_suggestion”: “涉及的行号或改进建议”, “book_reference”: “引用的书中原则”}}, … ], “overall_suggestion”: “整体的代码改进建议” }} 注意问题类别只能是[“命名”, “函数”, “注释”, “格式”, “设计”]中的一个。请确保输出是纯JSON不要有任何额外解释。 “””) # 3. 填充模板并调用模型 full_prompt prompt_template.format( book_knowledgebook_knowledge, languagelanguage, codecode ) response self.llm.invoke(full_prompt) # 4. 解析模型返回的JSON try: # 模型返回的文本可能包含markdown代码块标记需要清理 json_str response.strip() if json_str.startswith(“json”) and json_str.endswith(“”): json_str json_str[5:-3].strip() result json.loads(json_str) return result except json.JSONDecodeError as e: print(f“模型返回无法解析为JSON: {response}”) return {“error”: “Failed to parse model response”, “raw_output”: response} # 技能使用示例 if __name__ “__main__”: reviewer CleanCodeReviewerSkill() test_code “”” def p(a, b): # 计算和 c a b return c “”” result reviewer.invoke(codetest_code, language“python”) print(json.dumps(result, indent2, ensure_asciiFalse))运行这个脚本你会看到AI基于《代码整洁之道》的知识对那段简陋的测试代码提出了具体的审查意见包括函数命名不清、变量名无意义、注释冗余等问题并引用了书中的相关原则。3.3 技能优化与集成一个基础的Skill已经能工作了但要让它更实用还需要优化。优化检索策略上面的例子使用简单的语义搜索。我们可以改进元数据过滤在构建知识库时为不同章节的文本块打上标签如“第三章函数”。检索时可以优先检索与“函数”相关的章节。混合搜索结合语义相似度搜索和关键词匹配提高召回率。处理复杂代码对于整个文件或项目需要先对代码进行解析用ast模块解析Python将大段代码拆分成函数、类等单元再分别送入Skill审查最后汇总结果。集成到开发流程这个Skill可以封装成一个命令行工具或者集成到CI/CD流水线中在每次提交代码时自动运行作为代码质量门禁的一部分。也可以做成VSCode插件在编写代码时实时给出提示。踩坑实录在早期测试中我直接让模型总结整本书然后审查代码效果很差因为它会“遗忘”细节。改用检索增强生成模式后每次审查都动态地从书中提取最相关的知识准确性和针对性大幅提升。另外本地模型如7B参数的CodeLlama在代码审查这种需要较强推理的任务上有时会“胡言乱语”或输出格式错误。我的经验是第一在提示词中严格要求输出格式如指定JSON Schema第二对于关键任务可以设计一个“验证-重试”循环如果第一次输出格式不对让模型自行修正。4. 进阶思考Skill的演化、组合与生态当我们能够从单本书中蒸馏出Skill后很自然地会想到更多可能性如何让Skill进化如何让多个Skill协同工作4.1 技能的迭代与自我优化一个好的Skill不应该是静态的。它应该能从使用反馈中学习不断进化。基于反馈的微调我们可以收集Skill每次执行的结果以及用户对结果的评价“这个建议有用/没用”。当积累到一定量的反馈数据后我们可以用这些数据对驱动Skill的大语言模型进行参数高效微调比如使用LoRA技术。这样模型就会越来越擅长执行“代码审查”这个特定任务输出的建议也会更符合你团队的编码习惯。技能描述的动态更新Skill本身的功能描述也可以优化。例如通过分析该Skill最常被成功调用的场景可以自动提炼出更精准的触发关键词或输入输出示例更新到技能描述中使其更容易被其他Agent发现和调用。示例创建一个技能优化循环Skill执行并输出审查结果。用户点击“采纳”或“忽略”建议。系统记录“代码片段-采纳的建议”作为正样本“代码片段-被忽略的建议”作为负样本。定期如每周用新收集的样本对本地模型进行轻量级微调。用微调后的模型更新Skill的执行引擎。这个过程可以部分自动化实现技能的“自成长”。4.2 技能的组合与智能体工作流单个Skill的能力是有限的但多个Skill组合起来就能解决复杂问题。这就是AI Agent的核心价值。场景从技术文档到可运行Demo假设我们想学习一个新的框架“FastAPI”。我们可以设计一个工作流文档理解Skill首先将FastAPI官方文档进行“Book to Skill”处理生成多个子技能如“路由定义技能”、“依赖注入技能”、“中间件配置技能”。需求解析Skill用户用自然语言描述需求“创建一个用户登录的API需要验证用户名密码并返回JWT令牌。”工作流引擎接收到需求后引擎依次调用调用“路由定义技能”生成app.post(“/login”)的代码框架。调用“依赖注入技能”生成验证密码的依赖函数。调用“JWT知识Skill”可能来自另一本关于安全编程的书生成创建和验证JWT令牌的代码片段。代码组装与校验Skill将上述生成的代码块组合成一个完整的login.py文件并检查语法和基本逻辑。最终输出一个可以运行的FastAPI登录接口Demo代码以及一份简要的实现说明。在这个工作流中每个Skill都像是一个乐高积木工作流引擎则是按图纸拼接它们的双手。热词中提到的Harness这类基础设施层就是用来管理这些Skill的注册、发现、调用和组合逻辑的框架。4.3 挑战与未来展望“Book to Skill”的愿景很美好但走向成熟还面临不少挑战知识蒸馏的保真度如何确保AI提炼出的“技能”忠实于原书思想而不是产生误解或“幻觉”这需要更精细的提示工程、检索策略以及结果验证机制。技能的泛化与边界从一本特定书籍提炼的技能其适用边界在哪里如何防止它被误用在完全不相关的场景这需要技能具备清晰的“元认知”能自我评估是否胜任当前任务。评估体系如何量化一个Skill的“好坏”是看它执行任务的准确率还是看用户满意度建立一个客观的Skill评估体系至关重要。人机协作模式Skill不是要取代人而是增强人。未来更可能的方式是“人机协同”AI负责提供建议、生成草稿、执行重复性任务人类负责审核、决策和创造性工作。Skill将成为人类专家能力的延伸和放大。尽管有挑战但“Book to Skill”所代表的方向——让知识流动起来变得可操作、可组合——无疑是提升个人和组织学习效率、创新能力的强大引擎。它不仅仅是AI技术的一个应用更可能成为我们未来与海量知识互动的新范式。从被动阅读到主动调用从理解知识到拥有能力这条路才刚刚开始。 基于AI Agent与本地大模型实现知识到技能的自动化转化
1. 从“读”到“用”为什么我们需要“Book to Skill”最近在折腾AI Agent和本地大语言模型的时候我脑子里一直盘旋着一个想法我们读了那么多书看了那么多教程最后真正能转化为实际能力的到底有多少这个问题在我尝试用Claude Code去解析一些开源项目或者用本地部署的模型去理解一个复杂框架时变得尤为突出。我们获取知识的效率似乎远远超过了消化和应用它的效率。这让我想到了一个概念我把它叫做“Book to Skill”。这不仅仅是一个酷炫的名字它背后指向的是一种更高效的知识转化范式。传统的学习路径是“阅读 - 理解 - 记忆 - 实践”这个过程漫长且损耗巨大。很多精华在传递中就流失了更别提那些厚厚的技术手册或者动辄几百页的经典著作读完一遍能记住核心思想就不错了想精准调用里面的某个技巧可能还得回去翻半天。而“Book to Skill”想做的是借助现代AI工具特别是像Claude Code这类具备强大代码理解和生成能力的智能体将书籍、文档、教程中的“静态知识”蒸馏、萃取成一个个可执行、可调用、可组合的“动态技能”。想象一下你读了一本关于Python高效编程的书AI不是帮你总结摘要而是帮你生成一个“代码审查技能包”这个技能包能理解书中的最佳实践并直接应用于你的代码库指出不符合规范的地方。或者你研究了一个复杂的系统架构文档AI能帮你提炼出一个“架构决策问答技能”你可以随时向它提问“为什么这里要用消息队列而不是直接调用”这不仅仅是简单的文本摘要或问答。“Skill”在这里是一个封装了特定领域知识、逻辑判断和执行能力的原子化单元。它有点像编程中的“函数”或“类”有明确的输入、输出和边界。一个设计良好的Skill应该可以被其他Agent调用可以被组合成更复杂的工作流甚至可以自我迭代优化。这也是为什么相关热词里会频繁出现“AI Agent”、“Claude Code”、“Skill开发”的原因——大家已经开始在工具层面探索如何实现这种“知识即能力”的转化了。对我个人而言探索“Book to Skill”的动机很实际。无论是作为开发者去集成一个新的SDK还是作为学习者去掌握一个前沿领域我都受困于信息过载和知识碎片化。我希望有一个“伙伴”它能吃透我指定的资料然后化身成我随时可以咨询的专家或者直接帮我完成一部分工作。这比漫无目的地向一个通用大模型提问要精准和高效得多。2. 核心组件拆解构建“Book to Skill”流水线需要什么要实现将一本书或一份文档转化为可用的Skill我们不能只靠一个魔法黑盒。它需要一套清晰的流程和几个关键组件的协同工作。根据当前AI生态中的工具和实践我们可以梳理出以下几个核心环节。2.1 知识源与预处理给AI“喂”对材料第一步也是最重要的一步是确定我们要“蒸馏”什么以及如何准备好这些原材料。知识源的选择不仅仅是实体书或PDF。在数字时代我们的“书”可以是多种形态结构化文档Markdown、API文档、项目Wiki。这些是AI最容易理解和处理的形式因为它们本身就有清晰的层级和格式。非结构化文档PDF、扫描版图书、网页文章。这些需要额外的OCR光学字符识别和格式清理步骤提取出纯文本。多媒体内容视频教程的字幕、音频播客的转录稿。这些内容包含了大量的实操讲解和语境信息价值很高但处理复杂度也高。代码仓库对于技术类技能源代码本身就是最精确的“书”。结合Commit历史、Issue和PR讨论能提炼出更丰富的开发模式和问题解决技能。预处理的关键步骤文本提取与清洗使用像pypdf2、pdfplumber针对PDF或BeautifulSoup针对网页等工具将原始材料转化为干净的纯文本。这一步要特别注意去除页眉页脚、无关水印、混乱的排版符号。分块与向量化这是为后续的“理解”和“检索”打基础。我们不能把整本《算法导论》一次性塞给模型。需要根据语义将文本切割成大小适中的“块”Chunk比如按章节、按主题段落。然后使用嵌入模型Embedding Model将这些文本块转化为高维空间中的向量Vector。这个向量就像这段文字的“数学指纹”语义相近的文本其向量在空间中的距离也更近。元数据关联为每个文本块添加标签例如所属章节、关键词、内容类型概念定义、代码示例、操作步骤。这能极大地提升后续技能调用时的精准度。实操心得分块大小是个需要权衡的艺术。块太大包含信息过多检索会不精准块太小会割裂完整的逻辑。对于技术文档我通常按“一个概念其解释一个简单示例”作为一个块。对于操作指南则按“一个完整的操作步骤”分块。预处理的质量直接决定了最终Skill的“智商”。2.2 智能体核心Claude Code与本地大语言模型的角色这是整个流水线的大脑负责理解、推理和生成。热词中频繁出现的Claude Code和本地部署大语言模型是这里的两个关键选项它们各有优劣。Claude Code它本质上是一个专为代码理解和生成优化的AI智能体。它的强项在于对编程语言的深度理解对于技术书籍、开发文档它能更准确地把握代码上下文、API用法和设计模式。长上下文窗口能够处理很长的输入适合一次性分析多个相关的文本块。与开发环境集成通过VSCode等插件它能直接“看到”你的项目结构使得提炼出的技能能更贴合你的实际工程环境。本地部署的大语言模型如通过Ollama运行的Llama、CodeLlama、DeepSeek-Coder等模型。它们的优势在于数据隐私与安全所有知识处理和技能生成都在本地完成无需担心敏感信息上传。可控性与定制化你可以针对特定领域对模型进行微调Fine-tuning让它更擅长处理某一类知识比如医学文献或法律条文。成本可控一次部署无限次使用没有API调用费用。在实际构建“Book to Skill”系统时我倾向于采用混合架构用本地模型处理常规的知识理解、摘要和初步技能脚本生成保障隐私和基础能力在需要极强代码推理或复杂逻辑拆解时可以调用Claude Code这类云端专业模型作为“外脑”。这就需要一套像热词中提到的Harness那样的智能体基础设施层来管理不同模型的路由、上下文组装和调用。2.3 Skill的封装与执行从知识到可运行的程序AI理解了书中的内容接下来要把它变成真正的“Skill”。这涉及到技能的描述、封装和调用机制。技能描述与注册一个Skill需要被清晰定义。通常一个技能描述Skill Manifest会包括技能名称Name唯一标识符如code_review_based_on_clean_code。功能描述Description用自然语言说明这个技能能做什么。“基于《代码整洁之道》的原则对给定的Python函数进行代码风格和潜在问题的审查。”输入参数Input Schema明确定义技能需要什么。例如{“code_snippet”: “string”, “language”: “string”}。输出格式Output Schema定义技能返回什么。例如{“issues”: [{type: “warning”|“error”, “line”: number, “description”: “string”}], “suggested_fix”: “string”}。触发条件或关键词在什么情况下应该调用这个技能。技能的实现形式提示词模板最简单的方式。将书本知识浓缩成一段结构化的提示词Prompt Template当需要该技能时将用户输入和相关的知识片段通过向量检索得到填充到模板中交给大模型生成结果。这种方式灵活但每次执行都需要经过LLM推理可能较慢。生成可执行脚本/函数更高级的方式。让AI分析书籍内容后直接生成一小段可独立运行或嵌入的代码Python函数、Shell脚本、甚至是一个微服务API。例如从一本《Linux系统管理》中蒸馏出“检查磁盘使用情况并发送报警”的Python脚本。这种方式执行效率高但生成可靠、安全的代码挑战更大。配置工作流节点在一些低代码/无代码的AI Agent平台如LangChain、AutoGen的衍生工具中Skill可以封装成一个工作流节点通过拖拽方式与其他技能组合。技能的存储与管理需要一个“技能库”来存放所有蒸馏出的Skill。这个库可以是本地的一个JSON文件、一个SQLite数据库或者一个更专业的向量数据库用于技能的语义检索。每次需要完成复杂任务时Agent可以从库中检索并组合相关的技能。3. 实战演练手把手构建一个“代码审查”Skill光说不练假把式。我们以一本经典的编程书籍——《代码整洁之道》Clean Code为例来演示如何将其部分内容蒸馏成一个可用的“代码审查”Skill。我们将使用本地工具链来保证过程的透明和可控。3.1 环境准备与知识库构建首先我们需要一个数字版的《代码整洁之道》。假设我们已有一份该书的PDF版本。步骤一搭建基础环境我们使用Python作为主要语言。创建一个新的虚拟环境并安装必要依赖# 创建项目目录 mkdir book_to_skill_clean_code cd book_to_skill_clean_code python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate # 安装核心库 pip install pypdf2 langchain langchain-community chromadb sentence-transformers # pypdf2用于PDF解析langchain提供框架chromadb作为向量数据库sentence-transformers用于生成文本向量步骤二解析PDF并创建向量知识库我们编写一个脚本将书籍内容导入到向量数据库中。# build_knowledge_base.py from langchain_community.document_loaders import PyPDFLoader from langchain.text_splitter import RecursiveCharacterTextSplitter from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.vectorstores import Chroma # 1. 加载PDF loader PyPDFLoader(“path/to/your/clean_code.pdf”) documents loader.load() # 2. 分割文本 text_splitter RecursiveCharacterTextSplitter( chunk_size1000, # 每个块约1000字符 chunk_overlap200, # 块之间重叠200字符避免割裂上下文 separators[“\n\n”, “\n”, “。”, “.”, “ ”, “”] # 按段落、句子分割 ) chunks text_splitter.split_documents(documents) print(f“将文档切分为 {len(chunks)} 个文本块。”) # 3. 创建嵌入模型和向量库 # 使用轻量级的开源嵌入模型 embeddings HuggingFaceEmbeddings(model_name“all-MiniLM-L6-v2”) vectorstore Chroma.from_documents( documentschunks, embeddingembeddings, persist_directory“./clean_code_db” # 向量数据库持久化目录 ) vectorstore.persist() print(“知识库构建完成已保存至 ./clean_code_db”)运行这个脚本我们就得到了一个基于《代码整洁之道》全部内容的可检索知识库。向量数据库会帮我们记住每一段文字的位置和语义。3.2 设计并实现“代码审查”Skill现在我们来定义和实现这个Skill。我们将采用“提示词模板知识检索”的方式。步骤一定义技能描述我们创建一个skills.json文件来注册这个技能{ “clean_code_reviewer”: { “description”: “基于《代码整洁之道》中的原则对提供的代码片段进行审查指出违反整洁代码规范的问题并提供改进建议。”, “input_schema”: { “code”: {“type”: “string”, “description”: “需要审查的代码片段”}, “language”: {“type”: “string”, “description”: “编程语言如 ‘python’ ‘java’” “default”: “python”} }, “output_schema”: { “issues”: [ { “type”: {“type”: “string”, “enum”: [“命名”, “函数”, “注释”, “格式”, “设计”]}, “description”: {“type”: “string”}, “line_suggestion”: {“type”: “string”}, “book_reference”: {“type”: “string”} } ], “overall_suggestion”: {“type”: “string”} } } }步骤二实现技能执行逻辑我们编写一个Python函数作为该Skill的载体。这个函数会从向量知识库中检索与“代码审查”、“坏味道”相关的段落然后组合成提示词交给大模型这里我们用本地运行的Ollama Llama模型为例。# skill_clean_code_reviewer.py import json from langchain.vectorstores import Chroma from langchain_community.embeddings import HuggingFaceEmbeddings from langchain_community.llms import Ollama from langchain.prompts import PromptTemplate class CleanCodeReviewerSkill: def __init__(self, db_path“./clean_code_db”): # 加载之前创建的知识库 self.embeddings HuggingFaceEmbeddings(model_name“all-MiniLM-L6-v2”) self.vectorstore Chroma(persist_directorydb_path, embedding_functionself.embeddings) # 连接本地Ollama服务使用CodeLlama模型 self.llm Ollama(model“codellama:7b”, temperature0.1) # temperature调低让输出更确定 def invoke(self, code: str, language: str “python”) - dict: # 1. 知识检索从书中查找与代码审查最相关的5个段落 query f“代码审查 坏味道 代码整洁 {language} 代码” relevant_docs self.vectorstore.similarity_search(query, k5) book_knowledge “\n\n”.join([doc.page_content for doc in relevant_docs]) # 2. 构建提示词模板 prompt_template PromptTemplate.from_template(“”” 你是一位资深代码审查专家严格遵循《代码整洁之道》中的原则。以下是书中的相关摘录 {book_knowledge} 请基于以上原则审查以下{language}代码 “{language} {code} “ 请以JSON格式输出审查结果严格遵循以下结构 {{ “issues”: [ {{“type”: “问题类别”, “description”: “具体问题描述”, “line_suggestion”: “涉及的行号或改进建议”, “book_reference”: “引用的书中原则”}}, … ], “overall_suggestion”: “整体的代码改进建议” }} 注意问题类别只能是[“命名”, “函数”, “注释”, “格式”, “设计”]中的一个。请确保输出是纯JSON不要有任何额外解释。 “””) # 3. 填充模板并调用模型 full_prompt prompt_template.format( book_knowledgebook_knowledge, languagelanguage, codecode ) response self.llm.invoke(full_prompt) # 4. 解析模型返回的JSON try: # 模型返回的文本可能包含markdown代码块标记需要清理 json_str response.strip() if json_str.startswith(“json”) and json_str.endswith(“”): json_str json_str[5:-3].strip() result json.loads(json_str) return result except json.JSONDecodeError as e: print(f“模型返回无法解析为JSON: {response}”) return {“error”: “Failed to parse model response”, “raw_output”: response} # 技能使用示例 if __name__ “__main__”: reviewer CleanCodeReviewerSkill() test_code “”” def p(a, b): # 计算和 c a b return c “”” result reviewer.invoke(codetest_code, language“python”) print(json.dumps(result, indent2, ensure_asciiFalse))运行这个脚本你会看到AI基于《代码整洁之道》的知识对那段简陋的测试代码提出了具体的审查意见包括函数命名不清、变量名无意义、注释冗余等问题并引用了书中的相关原则。3.3 技能优化与集成一个基础的Skill已经能工作了但要让它更实用还需要优化。优化检索策略上面的例子使用简单的语义搜索。我们可以改进元数据过滤在构建知识库时为不同章节的文本块打上标签如“第三章函数”。检索时可以优先检索与“函数”相关的章节。混合搜索结合语义相似度搜索和关键词匹配提高召回率。处理复杂代码对于整个文件或项目需要先对代码进行解析用ast模块解析Python将大段代码拆分成函数、类等单元再分别送入Skill审查最后汇总结果。集成到开发流程这个Skill可以封装成一个命令行工具或者集成到CI/CD流水线中在每次提交代码时自动运行作为代码质量门禁的一部分。也可以做成VSCode插件在编写代码时实时给出提示。踩坑实录在早期测试中我直接让模型总结整本书然后审查代码效果很差因为它会“遗忘”细节。改用检索增强生成模式后每次审查都动态地从书中提取最相关的知识准确性和针对性大幅提升。另外本地模型如7B参数的CodeLlama在代码审查这种需要较强推理的任务上有时会“胡言乱语”或输出格式错误。我的经验是第一在提示词中严格要求输出格式如指定JSON Schema第二对于关键任务可以设计一个“验证-重试”循环如果第一次输出格式不对让模型自行修正。4. 进阶思考Skill的演化、组合与生态当我们能够从单本书中蒸馏出Skill后很自然地会想到更多可能性如何让Skill进化如何让多个Skill协同工作4.1 技能的迭代与自我优化一个好的Skill不应该是静态的。它应该能从使用反馈中学习不断进化。基于反馈的微调我们可以收集Skill每次执行的结果以及用户对结果的评价“这个建议有用/没用”。当积累到一定量的反馈数据后我们可以用这些数据对驱动Skill的大语言模型进行参数高效微调比如使用LoRA技术。这样模型就会越来越擅长执行“代码审查”这个特定任务输出的建议也会更符合你团队的编码习惯。技能描述的动态更新Skill本身的功能描述也可以优化。例如通过分析该Skill最常被成功调用的场景可以自动提炼出更精准的触发关键词或输入输出示例更新到技能描述中使其更容易被其他Agent发现和调用。示例创建一个技能优化循环Skill执行并输出审查结果。用户点击“采纳”或“忽略”建议。系统记录“代码片段-采纳的建议”作为正样本“代码片段-被忽略的建议”作为负样本。定期如每周用新收集的样本对本地模型进行轻量级微调。用微调后的模型更新Skill的执行引擎。这个过程可以部分自动化实现技能的“自成长”。4.2 技能的组合与智能体工作流单个Skill的能力是有限的但多个Skill组合起来就能解决复杂问题。这就是AI Agent的核心价值。场景从技术文档到可运行Demo假设我们想学习一个新的框架“FastAPI”。我们可以设计一个工作流文档理解Skill首先将FastAPI官方文档进行“Book to Skill”处理生成多个子技能如“路由定义技能”、“依赖注入技能”、“中间件配置技能”。需求解析Skill用户用自然语言描述需求“创建一个用户登录的API需要验证用户名密码并返回JWT令牌。”工作流引擎接收到需求后引擎依次调用调用“路由定义技能”生成app.post(“/login”)的代码框架。调用“依赖注入技能”生成验证密码的依赖函数。调用“JWT知识Skill”可能来自另一本关于安全编程的书生成创建和验证JWT令牌的代码片段。代码组装与校验Skill将上述生成的代码块组合成一个完整的login.py文件并检查语法和基本逻辑。最终输出一个可以运行的FastAPI登录接口Demo代码以及一份简要的实现说明。在这个工作流中每个Skill都像是一个乐高积木工作流引擎则是按图纸拼接它们的双手。热词中提到的Harness这类基础设施层就是用来管理这些Skill的注册、发现、调用和组合逻辑的框架。4.3 挑战与未来展望“Book to Skill”的愿景很美好但走向成熟还面临不少挑战知识蒸馏的保真度如何确保AI提炼出的“技能”忠实于原书思想而不是产生误解或“幻觉”这需要更精细的提示工程、检索策略以及结果验证机制。技能的泛化与边界从一本特定书籍提炼的技能其适用边界在哪里如何防止它被误用在完全不相关的场景这需要技能具备清晰的“元认知”能自我评估是否胜任当前任务。评估体系如何量化一个Skill的“好坏”是看它执行任务的准确率还是看用户满意度建立一个客观的Skill评估体系至关重要。人机协作模式Skill不是要取代人而是增强人。未来更可能的方式是“人机协同”AI负责提供建议、生成草稿、执行重复性任务人类负责审核、决策和创造性工作。Skill将成为人类专家能力的延伸和放大。尽管有挑战但“Book to Skill”所代表的方向——让知识流动起来变得可操作、可组合——无疑是提升个人和组织学习效率、创新能力的强大引擎。它不仅仅是AI技术的一个应用更可能成为我们未来与海量知识互动的新范式。从被动阅读到主动调用从理解知识到拥有能力这条路才刚刚开始。