1. 先搞清楚一件事你记不住书不是脑子的问题我大概在两年前开始认真思考这个问题为什么我每个月能读两三本书可回头跟人聊起来脑子里只飘着几句模糊的观点连作者的核心论证都复述不出来更尴尬的是有些书我半年后重读居然有 80% 的内容像新书一样完全想不起来自己读过。我当时的第一个反应是自己记忆力不行甚至跑到网上去查各种记忆训练法。后来我意识到问题不在记忆本身而在于我从头到尾的读书方式就错了我是“读完了”不是“学会了”。“读完就忘”的本质是输入过载而输出缺失。我们的大脑不是一个无限容量的磁盘尤其对文本信息的保持率在没有主动提取和复述的情况下两周后大概只剩两三成。这个结论不是我拍的脑科学研究早就给出过类似曲线遗忘几乎在学完的那一刻就开始如果你不做任何干预24 小时内能记住的就已经打了对折一周后基本白读。但这不是说我们只能靠意志力死磕。恰恰相反现在有一类开源工具就是专门把“主动提取”“间隔重复”“结构化复盘”这些学习科学里被验证过的方法变成可以自动执行的流程。这类工具在 AI 圈子里有个名字叫“skill”。我当时第一次看到这个词是在 Claude Code、Codex 这类 AI 编程工具的插件生态里后来越来越多独立开发者把读书、学习、复习的场景也做成了 skill。简单说开源 skill 就是一整套可以被 AI 助手直接调用的“技能包”你告诉 AI“用这个 skill 帮我读书”它就会按照 skill 里定义好的步骤、模板、提问方式帮你把一本几十万字的书拆解成可复习、可回顾、可测试的知识结构。这篇文章我想和你分享的就是开源 skill 到底是什么、它能怎么帮你摆脱“读完就忘”、以及我是怎么搭建自己的一套读书学习流水线的。如果你也经常看完书留不下多少印象又不想靠昂贵的课程或复杂的记忆术来解决问题这篇文章应该能给你一套立刻能上手的方法。2. 开源 skill 和普通提示词、AI Agent 到底有什么区别既然要讲 skill就先把这个概念说清楚。现在市面上的 AI 工具像 Claude Code、DeepSeek Harness、Codex、Cursor都开始支持一种叫 skill 的扩展机制。它们其实是一组文件和规则放在指定目录下AI 会在合适的场景自动识别并加载。很多人问这不就是个预设提示词吗我在本地写一段“你是一个阅读教练请帮我拆解这本书”然后粘贴给 AI效果不是一样的老实说早期我也这么想直到我看了几个开源项目的源码结构才明白 skill 和普通提示词完全不在一个量级上。普通提示词解决的问题是“让 AI 这一次对话做对事”。它是一次性的、临时的所有的逻辑都挤在那几段话里一旦对话换了一个新的 session就全部清零。skill 解决的问题是“让 AI 每一次遇到同类任务都按照一整套标准化流程来做事”。它不只是提示词还包括了流程定义、参考模板、外部脚本、知识库文件甚至校验规则。我举个我自己的例子。我给 AI 写了一段提示词“你读一下《穷查理宝典》第 3 章帮我总结一下要点。”它确实能总结但总结出来的东西和我自己看差不多——一堆金句和观点罗列过两天照样忘。而如果我用一个学习类 skillAI 的行为则完全不同它会先抽取这一章的核心概念和论证链然后生成一组自我测试题再按某个间隔复习模板整理成卡片最后还会产出几个费曼式的讲解草案。同一个输入两种结果差距就在于有没有一套完整的流程在背后约束 AI。还有一个容易混淆的概念是 Agent。Agent 是“能自主行动的任务执行器”比如你给它一个目标它可以自己去查资料、调工具、做计划甚至多步推理。Skill 更接近“专业技能包”它约束的是做事的方法论不一定是行动链。现实中两者经常配合使用Agent 决定做什么skill 决定怎么做。这也是为什么你在 GitHub 上搜 skill 时常常会同时看到大量 Agent 框架。我用一个表格来总结它们的定位差异维度普通提示词SkillAgent生命周期单次对话持久化复用任务级复用核心构成文本指令文件流程模板决策循环工具调用解决问题让一次对话效果更好让一类任务效果稳定让目标任务自主完成对用户要求每次重新组织语言一次性配置需要理解任务拆解典型场景问一个问题读书拆解、复习测试自动调研、自动写报告理解了这一点你就会明白为什么开源 skill 对“读完就忘”这件事是一个真正的解法它把那些经过验证的学习方法固化成了一个每次都会自动执行的流程而不是靠你每次读书前临时想起来“哎呀我这次得做点笔记”。3. 我实测下来的核心原理为什么“按 skill 学习”能对抗遗忘我前前后后试了很多学习类 skill也自己动手写过几个。过程中我把它们拆开来研究发现能有效对抗遗忘的 skill不管形式上怎么变几乎都扣住了四个底层原理。搞懂这四个原理你自己也能判断一个 skill 好不好用值不值得装。3.1 主动提取比重复阅读有用得多心理学里有个著名的“测试效应”简单说就是同样一份材料你花一半时间读完另一半时间做题测试最后记忆效果远好于把全部时间都花在读上面。因为考试本身就是一种记忆强化大脑每次努力回忆一个知识点都会把这个信息的“提取路径”磨得更亮。大多数畅销书阅读类 skill 都会内置一个生成测试题的环节。我用的阅读流程里每一章读完AI 会从里面挖出五到十个问题不给我答案先让我自己回答回答完再对答案。这个动作看起来简单但它比“再看一遍笔记”有用得多。我印象很深的是读完《思考快与慢》的前几章如果只靠读我可能三天后就只记得系统 1 和系统 2 这两个词。但有几次主动提取之后我连“锚定效应”在出租车计价实验里的具体表现都能回忆起来。3.2 间隔重复把每次复习安排在遗忘的边缘艾宾浩斯遗忘曲线虽然被讲烂了但它指出的方向是对的学习后几分钟、几小时、几天、几周这几个时间点去复习效率远高于集中一天之内反复看。传统做法是自己做笔记卡片然后用 Anki 这类软件安排复习节奏。问题是从书里提炼卡片这件事本身工作量很大很多人整理完卡片已经没有力气复习了。Skill 解决的是这个瓶颈。它会自动帮你把一本书拆成可复习的知识点卡片并且直接输出成适合导入 Anki 或者类似记忆工具的格式甚至有些 skill 自己带了一个迷你复习模块在你和 AI 对话的时候就不断用前面章节的问题“抽查”你。人工成本被压到最低。3.3 结构化和关联化让知识不是散点而是网络读一本讲复杂体系的书比如《规模》《失控》这类最大的困难是信息之间彼此孤立。书上十个章节每章八九个概念读完后你的脑子里是一堆悬浮的知识点记不住是正常的。真正牢固的记忆是把新知识和已有知识连成网。好的学习类 skill 一定包含“结构拆解”步骤它会提取章节之间的逻辑关系标注哪些是核心论点哪些是支撑证据哪些是反方观点最后形成一棵知识树。我用的一个开源 skill 每次读完一章都生成一个三维结构作者想解决的原始问题、关键假设、推理链条和证据强度。这种结构化输出的好处是你回忆时不是零散地卡在一个词上而是可以先想起整棵树的骨架再顺着枝条摸到叶子。3.4 费曼输出检验你是不是真的懂了如果只做选择题和填空题容易陷入一种“虚假的熟悉感”——好像都认识但让你从零讲一遍就露馅。所以我特别看重 skill 里有没有费曼输出环节。费曼技巧一句话说就是如果你不能用大白话把一个概念讲给外行听那你其实没懂。我用的流程里每一章学完 AI 都会要求我用“如果对方完全没有相关背景你会怎么解释这个概念”的方式把核心论点写一遍。更妙的是AI 还能扮演一个“追问型学生”不断针对我的讲解提出质疑逼我把模糊的地方说清楚。这一步做完这部分知识就真的长在我脑子里了。4. 手把手搭一套“读完不忘”的学习流水线前面讲了不少理论接下来上实干。我目前在自己电脑上跑的一套学习流程用的全部是开源组件零费用门槛不高大致分七个步骤。这套流程不仅能用于读书也适用于看文档、研究开源项目、学习新领域。4.1 环境准备装一个支持 skill 的 AI 编程工具第一步是选一个能加载 skill 的宿主工具。目前主流选择有 Claude Code、Codex、Cursor、DeepSeek Harness 等。我自己长期用的是 Claude Code 系的开源分支因为它的 skill 目录结构简单社区模板多调试也方便。如果你不想装命令行工具Cursor 这类图形界面工具也能通过插件机制加载 skill只是配置路径略有差异。安装好后你需要找到本地的 skill 目录。以 Claude Code 为例默认位置是~/.claude/skills你只要把下载的 skill 文件夹整个放进去重启会话就能自动识别。个别工具需要手动在配置里添加路径建议装完第一个 skill 先验证是否能被加载再批量安装。提示第一次加载 skill 后可以在对话里输入类似“列出你当前可用的 skills”的指令来确认是否生效。如果没有任何反馈多半是目录放错了或者文件名不符合约定。4.2 找一个高质量的开源学习 skill 模板不用自己从零造轮子。GitHub 上现在有大量现成的 skill 仓库搜索关键词可以用learning skill、book summary skill、study agent skill。我评论区里也有人提过“book to skill”这类项目思路是把一本书直接转成一个可交互的 skill 包算比较进阶的方向。挑选时我有一个四步判断法。先看文档质量一个 readme 写得糊里糊涂的仓库里面的 skill 大概率也半成品。再看更新频率三个月以上没动静且 issue 无人回的慎重。然后看文件结构打开仓库看有没有完整的 skill.md、模板文件和示例输出三者缺一不可。最后看作者个人小号发布的往往比机构号的更贴近实际使用场景因为后者很多是为了商业导流做的半吊子。4.3 拆书把整本书结构化为知识树我的流水线第一步永远是拆书。我会把一本书的目录页、前言和每章标题先喂给 AI让它生成一个全局阅读地图然后我按地图决定哪些章节精读哪些章节略读。这一步看似简单但能显著减少“平等对待每个字”的无意识阅读带来的浪费。具体到每个章节skill 里的拆解模板会生成四个模块本章核心问题作者在这一章想解决什么支撑论点与证据核心主张背后的论据是什么置信度如何概念关系图新概念之间以及和旧知识之间的关系。可迁移场景这套理论还能用到别的什么地方4.4 边读边测主动提取环节读完一节进入自测阶段。我不会做多选题那东西太容易靠选项猜了。我要求 skill 生成的问题全部是开放性的并且标准答案不会直接展示而是等我回答后再展开。序言部分提到过“测试效应”这里就是它真正发挥威力的地方。我一般每天只处理一到两章每章花十五分钟做测试。你可能会觉得这比单纯读书慢很多但实话告诉你这种慢是有价值的慢。一本书读完如果脑子里能留下骨架比囫囵吞枣读十本要值钱得多。4.5 生成复习卡把知识变成可复用的卡片自测完成之后skill 会把当前章节的知识点萃取成卡片格式。我用的格式是问题... 答案... 来源章节名然后导入 Anki。每张卡片的答案必须做到要素完整但不冗长太长的卡其实不利于记忆。很多开源调研工具也会在这一步顺便产出 markdown 格式的知识笔记方便你日后快速回看。这个双轨输出——一张卡片用于复习一份笔记用于搜索——是我目前觉得最平衡的方案。4.6 费曼式复习模拟向别人讲解复习了两三轮之后就进入费曼环节。这时候我会让 AI 扮演一个普通朋友我用大白话给它讲这一章的内容它则扮演挑刺的人在我讲得含糊的地方追问。这个过程能非常精准地暴露那些“我以为自己懂了但其实不懂”的区域。4.7 迁移输出把知识用在真实场景里最后一个环节是主动迁移。读完一本书如果只是复述观点那还是知识搬运工。我要求 skill 在回顾整本书后生成一个“行动清单”或“写作素材包”把书里的理论映射到我当前的项目、文章或者决策里。这样读一本书不但能记住还能转化为生产力。我举个具体例子。我读《深度工作》时流水线最后输出的不是“要减少刷手机的频率”这种废话而是给我生成了一套“每日 90 分钟无打扰深度工作时间块”的实验方案连实施时间和回顾节点都标注好了。这一步完成后整本书就和你自己的生活发生实际关联遗忘速度会大幅下降。5. 自己动手写一个学习专用 skill文件结构与避坑开源生态里现成的 skill 很多但真正好用的往往是你照着需求自己改出来的。我把自己写过的第一个 skill 结构完整拆给你看再讲几个容易踩的坑。5.1 skill 文件夹的最小结构一个标准的 skill 至少包含这些文件my-reading-skill/ ├── SKILL.md ├── templates/ │ ├── chapter_breakdown.md │ ├── test_questions.md │ └── anki_cards.csv └── scripts/ └── extract_questions.py可选SKILL.md是这个技能包的入口文件里面用 YAML frontmatter 描述技能名称、适用场景然后正文写执行流程。下面是一个再简单不过的最小示例--- name: reading-companion description: 辅助用户深度阅读并生成可复习的知识结构适合任何领域的非虚构书籍。 --- # 角色定位 你是一名学习科学顾问帮助用户把一本书转化为可测试、可复习的知识结构。 # 执行流程 1. 获取书籍章节结构生成阅读地图。 2. 一章读完后提取核心概念、论证链和关键证据。 3. 生成五个开放性自测题等待用户作答后再给出参考答案。 4. 把本章知识点转换为 Anki 卡片格式保存在单独的文件中。 5. 最后进行费曼式追问找出用户理解薄弱的环节。 # 输出格式 - 自测题采用 markdown 列表。 - 卡片采用 问题\t答案\t来源 的 TSV 格式。5.2 我踩过的坑目录识别失败第一次写完我把文件夹放错位置重启会话后 AI 完全没反应我还以为是代码写错了。折腾了半天发现我放到的是~/.claude/plugins但工具只扫描~/.claude/skills。每个工具支持的路径不一样而且名字稍微拼错一个字母就不会被识别。建议你装完第一个 skill 后第一时间让 AI 列一下已加载的技能列表避免像我一样白折腾。5.3 我踩过的坑流程定义得太松早期的 skill 里我只写了“帮用户梳理这本书”结果 AI 的自由发挥空间太大每次输出风格不稳定这周和下周的复习卡片格式都对不上。后来我强制规定了每一步的输出模板和文件格式内容质量才稳定下来。有个原则skill 的约束越多输出的一致性就越强。你不是在限制 AI而是在保护自己的使用体验。5.4 我踩过的坑外置脚本路径写死有些增强型 skill 会调用本地脚本处理文本比如批量生成语音或者提取 PDF。这类脚本里最忌讳写绝对路径比如C:/Users/你的名字/...。一旦你换了电脑或者目录结构变了整个 skill 就废了。推荐用相对路径或者在 skill 启动时让 AI 动态询问资料路径。6. 不是所有 skill 都适合学习场景选型和改造思路现在开源社区里 skill 数量多到眼花缭乱但不代表都能直接拿来解决“读完就忘”。根据我的使用经验不同方向的 skill 适合的人群和目标差异很大选错了反而是负担。我把常见类型分成了四类你可以对号入座Skill 类型适合人群核心价值备注拆书总结型快速了解一本书速度优先容易看过就忘建议配合测试环节对话交互型喜欢互动学习的人沉浸式理解质量取决于模型能力需要好模型卡片复习型备考、长周期学习者抗遗忘和 Anki 结合最佳费曼输出型需要深度掌握的人知行合一最耗时但长期收益最高另外我还观察到一个趋势就是把整本书转化成 skill 本身。热门搜索里的 “book to skill” 就是这类思路书不再是线性阅读的文本而是一个你可以随时用自然语言提问、测试、讨论的“知识体”。这种形式其实很适合工具书和手册类内容比如编程框架的文档或者心理学流派综述。我也在尝试用这个思路把几本经典书打包成自己的私有 skill目前还算稳定。如果你不想直接用别人的模板我的建议是从最小闭环开始先只做一个“章节自测生成器”跑通流程后再慢慢加入卡片生成、费曼追问、迁移输出这些模块。一口吃不成胖子skill 也一样。注意开源 skill 的许可证五花八门有 MIT、Apache 2.0、也有完全禁止商用的。如果只是自己学习随手用基本不用管但如果你打算把改过的 skill 发回社区或者商业使用务必先检查仓库里的 LICENSE 文件。7. 最后分享一点我的使用心得从“读完就忘”到建立起一套有回报的阅读习惯我花了大半年踩过不少坑最后总结下来三句话第一工具不是万能的但一个完善的流程能代替你百分之八十的意志力第二学习科学里那套反复验证的原理远比你想象中有效关键是找对方式把它们变成每天都自动运行的流程第三开源 skill 最大的红利不是“免费”而是可以按照自己的学习习惯调整别人的模板永远只是起点。如果你现在手头正好有一堆读了一半或者读完就忘的书不妨找一个支持 skill 的工具装一个拆书类的开源技能包挑其中一本重新读一遍。过程和结果的差异只有实际试过的人才会懂。这条路走通之后你会比任何一次“从头到尾重读一遍”都记得更牢。
用开源Skill构建AI深度学习流水线，对抗“读完就忘”
1. 先搞清楚一件事你记不住书不是脑子的问题我大概在两年前开始认真思考这个问题为什么我每个月能读两三本书可回头跟人聊起来脑子里只飘着几句模糊的观点连作者的核心论证都复述不出来更尴尬的是有些书我半年后重读居然有 80% 的内容像新书一样完全想不起来自己读过。我当时的第一个反应是自己记忆力不行甚至跑到网上去查各种记忆训练法。后来我意识到问题不在记忆本身而在于我从头到尾的读书方式就错了我是“读完了”不是“学会了”。“读完就忘”的本质是输入过载而输出缺失。我们的大脑不是一个无限容量的磁盘尤其对文本信息的保持率在没有主动提取和复述的情况下两周后大概只剩两三成。这个结论不是我拍的脑科学研究早就给出过类似曲线遗忘几乎在学完的那一刻就开始如果你不做任何干预24 小时内能记住的就已经打了对折一周后基本白读。但这不是说我们只能靠意志力死磕。恰恰相反现在有一类开源工具就是专门把“主动提取”“间隔重复”“结构化复盘”这些学习科学里被验证过的方法变成可以自动执行的流程。这类工具在 AI 圈子里有个名字叫“skill”。我当时第一次看到这个词是在 Claude Code、Codex 这类 AI 编程工具的插件生态里后来越来越多独立开发者把读书、学习、复习的场景也做成了 skill。简单说开源 skill 就是一整套可以被 AI 助手直接调用的“技能包”你告诉 AI“用这个 skill 帮我读书”它就会按照 skill 里定义好的步骤、模板、提问方式帮你把一本几十万字的书拆解成可复习、可回顾、可测试的知识结构。这篇文章我想和你分享的就是开源 skill 到底是什么、它能怎么帮你摆脱“读完就忘”、以及我是怎么搭建自己的一套读书学习流水线的。如果你也经常看完书留不下多少印象又不想靠昂贵的课程或复杂的记忆术来解决问题这篇文章应该能给你一套立刻能上手的方法。2. 开源 skill 和普通提示词、AI Agent 到底有什么区别既然要讲 skill就先把这个概念说清楚。现在市面上的 AI 工具像 Claude Code、DeepSeek Harness、Codex、Cursor都开始支持一种叫 skill 的扩展机制。它们其实是一组文件和规则放在指定目录下AI 会在合适的场景自动识别并加载。很多人问这不就是个预设提示词吗我在本地写一段“你是一个阅读教练请帮我拆解这本书”然后粘贴给 AI效果不是一样的老实说早期我也这么想直到我看了几个开源项目的源码结构才明白 skill 和普通提示词完全不在一个量级上。普通提示词解决的问题是“让 AI 这一次对话做对事”。它是一次性的、临时的所有的逻辑都挤在那几段话里一旦对话换了一个新的 session就全部清零。skill 解决的问题是“让 AI 每一次遇到同类任务都按照一整套标准化流程来做事”。它不只是提示词还包括了流程定义、参考模板、外部脚本、知识库文件甚至校验规则。我举个我自己的例子。我给 AI 写了一段提示词“你读一下《穷查理宝典》第 3 章帮我总结一下要点。”它确实能总结但总结出来的东西和我自己看差不多——一堆金句和观点罗列过两天照样忘。而如果我用一个学习类 skillAI 的行为则完全不同它会先抽取这一章的核心概念和论证链然后生成一组自我测试题再按某个间隔复习模板整理成卡片最后还会产出几个费曼式的讲解草案。同一个输入两种结果差距就在于有没有一套完整的流程在背后约束 AI。还有一个容易混淆的概念是 Agent。Agent 是“能自主行动的任务执行器”比如你给它一个目标它可以自己去查资料、调工具、做计划甚至多步推理。Skill 更接近“专业技能包”它约束的是做事的方法论不一定是行动链。现实中两者经常配合使用Agent 决定做什么skill 决定怎么做。这也是为什么你在 GitHub 上搜 skill 时常常会同时看到大量 Agent 框架。我用一个表格来总结它们的定位差异维度普通提示词SkillAgent生命周期单次对话持久化复用任务级复用核心构成文本指令文件流程模板决策循环工具调用解决问题让一次对话效果更好让一类任务效果稳定让目标任务自主完成对用户要求每次重新组织语言一次性配置需要理解任务拆解典型场景问一个问题读书拆解、复习测试自动调研、自动写报告理解了这一点你就会明白为什么开源 skill 对“读完就忘”这件事是一个真正的解法它把那些经过验证的学习方法固化成了一个每次都会自动执行的流程而不是靠你每次读书前临时想起来“哎呀我这次得做点笔记”。3. 我实测下来的核心原理为什么“按 skill 学习”能对抗遗忘我前前后后试了很多学习类 skill也自己动手写过几个。过程中我把它们拆开来研究发现能有效对抗遗忘的 skill不管形式上怎么变几乎都扣住了四个底层原理。搞懂这四个原理你自己也能判断一个 skill 好不好用值不值得装。3.1 主动提取比重复阅读有用得多心理学里有个著名的“测试效应”简单说就是同样一份材料你花一半时间读完另一半时间做题测试最后记忆效果远好于把全部时间都花在读上面。因为考试本身就是一种记忆强化大脑每次努力回忆一个知识点都会把这个信息的“提取路径”磨得更亮。大多数畅销书阅读类 skill 都会内置一个生成测试题的环节。我用的阅读流程里每一章读完AI 会从里面挖出五到十个问题不给我答案先让我自己回答回答完再对答案。这个动作看起来简单但它比“再看一遍笔记”有用得多。我印象很深的是读完《思考快与慢》的前几章如果只靠读我可能三天后就只记得系统 1 和系统 2 这两个词。但有几次主动提取之后我连“锚定效应”在出租车计价实验里的具体表现都能回忆起来。3.2 间隔重复把每次复习安排在遗忘的边缘艾宾浩斯遗忘曲线虽然被讲烂了但它指出的方向是对的学习后几分钟、几小时、几天、几周这几个时间点去复习效率远高于集中一天之内反复看。传统做法是自己做笔记卡片然后用 Anki 这类软件安排复习节奏。问题是从书里提炼卡片这件事本身工作量很大很多人整理完卡片已经没有力气复习了。Skill 解决的是这个瓶颈。它会自动帮你把一本书拆成可复习的知识点卡片并且直接输出成适合导入 Anki 或者类似记忆工具的格式甚至有些 skill 自己带了一个迷你复习模块在你和 AI 对话的时候就不断用前面章节的问题“抽查”你。人工成本被压到最低。3.3 结构化和关联化让知识不是散点而是网络读一本讲复杂体系的书比如《规模》《失控》这类最大的困难是信息之间彼此孤立。书上十个章节每章八九个概念读完后你的脑子里是一堆悬浮的知识点记不住是正常的。真正牢固的记忆是把新知识和已有知识连成网。好的学习类 skill 一定包含“结构拆解”步骤它会提取章节之间的逻辑关系标注哪些是核心论点哪些是支撑证据哪些是反方观点最后形成一棵知识树。我用的一个开源 skill 每次读完一章都生成一个三维结构作者想解决的原始问题、关键假设、推理链条和证据强度。这种结构化输出的好处是你回忆时不是零散地卡在一个词上而是可以先想起整棵树的骨架再顺着枝条摸到叶子。3.4 费曼输出检验你是不是真的懂了如果只做选择题和填空题容易陷入一种“虚假的熟悉感”——好像都认识但让你从零讲一遍就露馅。所以我特别看重 skill 里有没有费曼输出环节。费曼技巧一句话说就是如果你不能用大白话把一个概念讲给外行听那你其实没懂。我用的流程里每一章学完 AI 都会要求我用“如果对方完全没有相关背景你会怎么解释这个概念”的方式把核心论点写一遍。更妙的是AI 还能扮演一个“追问型学生”不断针对我的讲解提出质疑逼我把模糊的地方说清楚。这一步做完这部分知识就真的长在我脑子里了。4. 手把手搭一套“读完不忘”的学习流水线前面讲了不少理论接下来上实干。我目前在自己电脑上跑的一套学习流程用的全部是开源组件零费用门槛不高大致分七个步骤。这套流程不仅能用于读书也适用于看文档、研究开源项目、学习新领域。4.1 环境准备装一个支持 skill 的 AI 编程工具第一步是选一个能加载 skill 的宿主工具。目前主流选择有 Claude Code、Codex、Cursor、DeepSeek Harness 等。我自己长期用的是 Claude Code 系的开源分支因为它的 skill 目录结构简单社区模板多调试也方便。如果你不想装命令行工具Cursor 这类图形界面工具也能通过插件机制加载 skill只是配置路径略有差异。安装好后你需要找到本地的 skill 目录。以 Claude Code 为例默认位置是~/.claude/skills你只要把下载的 skill 文件夹整个放进去重启会话就能自动识别。个别工具需要手动在配置里添加路径建议装完第一个 skill 先验证是否能被加载再批量安装。提示第一次加载 skill 后可以在对话里输入类似“列出你当前可用的 skills”的指令来确认是否生效。如果没有任何反馈多半是目录放错了或者文件名不符合约定。4.2 找一个高质量的开源学习 skill 模板不用自己从零造轮子。GitHub 上现在有大量现成的 skill 仓库搜索关键词可以用learning skill、book summary skill、study agent skill。我评论区里也有人提过“book to skill”这类项目思路是把一本书直接转成一个可交互的 skill 包算比较进阶的方向。挑选时我有一个四步判断法。先看文档质量一个 readme 写得糊里糊涂的仓库里面的 skill 大概率也半成品。再看更新频率三个月以上没动静且 issue 无人回的慎重。然后看文件结构打开仓库看有没有完整的 skill.md、模板文件和示例输出三者缺一不可。最后看作者个人小号发布的往往比机构号的更贴近实际使用场景因为后者很多是为了商业导流做的半吊子。4.3 拆书把整本书结构化为知识树我的流水线第一步永远是拆书。我会把一本书的目录页、前言和每章标题先喂给 AI让它生成一个全局阅读地图然后我按地图决定哪些章节精读哪些章节略读。这一步看似简单但能显著减少“平等对待每个字”的无意识阅读带来的浪费。具体到每个章节skill 里的拆解模板会生成四个模块本章核心问题作者在这一章想解决什么支撑论点与证据核心主张背后的论据是什么置信度如何概念关系图新概念之间以及和旧知识之间的关系。可迁移场景这套理论还能用到别的什么地方4.4 边读边测主动提取环节读完一节进入自测阶段。我不会做多选题那东西太容易靠选项猜了。我要求 skill 生成的问题全部是开放性的并且标准答案不会直接展示而是等我回答后再展开。序言部分提到过“测试效应”这里就是它真正发挥威力的地方。我一般每天只处理一到两章每章花十五分钟做测试。你可能会觉得这比单纯读书慢很多但实话告诉你这种慢是有价值的慢。一本书读完如果脑子里能留下骨架比囫囵吞枣读十本要值钱得多。4.5 生成复习卡把知识变成可复用的卡片自测完成之后skill 会把当前章节的知识点萃取成卡片格式。我用的格式是问题... 答案... 来源章节名然后导入 Anki。每张卡片的答案必须做到要素完整但不冗长太长的卡其实不利于记忆。很多开源调研工具也会在这一步顺便产出 markdown 格式的知识笔记方便你日后快速回看。这个双轨输出——一张卡片用于复习一份笔记用于搜索——是我目前觉得最平衡的方案。4.6 费曼式复习模拟向别人讲解复习了两三轮之后就进入费曼环节。这时候我会让 AI 扮演一个普通朋友我用大白话给它讲这一章的内容它则扮演挑刺的人在我讲得含糊的地方追问。这个过程能非常精准地暴露那些“我以为自己懂了但其实不懂”的区域。4.7 迁移输出把知识用在真实场景里最后一个环节是主动迁移。读完一本书如果只是复述观点那还是知识搬运工。我要求 skill 在回顾整本书后生成一个“行动清单”或“写作素材包”把书里的理论映射到我当前的项目、文章或者决策里。这样读一本书不但能记住还能转化为生产力。我举个具体例子。我读《深度工作》时流水线最后输出的不是“要减少刷手机的频率”这种废话而是给我生成了一套“每日 90 分钟无打扰深度工作时间块”的实验方案连实施时间和回顾节点都标注好了。这一步完成后整本书就和你自己的生活发生实际关联遗忘速度会大幅下降。5. 自己动手写一个学习专用 skill文件结构与避坑开源生态里现成的 skill 很多但真正好用的往往是你照着需求自己改出来的。我把自己写过的第一个 skill 结构完整拆给你看再讲几个容易踩的坑。5.1 skill 文件夹的最小结构一个标准的 skill 至少包含这些文件my-reading-skill/ ├── SKILL.md ├── templates/ │ ├── chapter_breakdown.md │ ├── test_questions.md │ └── anki_cards.csv └── scripts/ └── extract_questions.py可选SKILL.md是这个技能包的入口文件里面用 YAML frontmatter 描述技能名称、适用场景然后正文写执行流程。下面是一个再简单不过的最小示例--- name: reading-companion description: 辅助用户深度阅读并生成可复习的知识结构适合任何领域的非虚构书籍。 --- # 角色定位 你是一名学习科学顾问帮助用户把一本书转化为可测试、可复习的知识结构。 # 执行流程 1. 获取书籍章节结构生成阅读地图。 2. 一章读完后提取核心概念、论证链和关键证据。 3. 生成五个开放性自测题等待用户作答后再给出参考答案。 4. 把本章知识点转换为 Anki 卡片格式保存在单独的文件中。 5. 最后进行费曼式追问找出用户理解薄弱的环节。 # 输出格式 - 自测题采用 markdown 列表。 - 卡片采用 问题\t答案\t来源 的 TSV 格式。5.2 我踩过的坑目录识别失败第一次写完我把文件夹放错位置重启会话后 AI 完全没反应我还以为是代码写错了。折腾了半天发现我放到的是~/.claude/plugins但工具只扫描~/.claude/skills。每个工具支持的路径不一样而且名字稍微拼错一个字母就不会被识别。建议你装完第一个 skill 后第一时间让 AI 列一下已加载的技能列表避免像我一样白折腾。5.3 我踩过的坑流程定义得太松早期的 skill 里我只写了“帮用户梳理这本书”结果 AI 的自由发挥空间太大每次输出风格不稳定这周和下周的复习卡片格式都对不上。后来我强制规定了每一步的输出模板和文件格式内容质量才稳定下来。有个原则skill 的约束越多输出的一致性就越强。你不是在限制 AI而是在保护自己的使用体验。5.4 我踩过的坑外置脚本路径写死有些增强型 skill 会调用本地脚本处理文本比如批量生成语音或者提取 PDF。这类脚本里最忌讳写绝对路径比如C:/Users/你的名字/...。一旦你换了电脑或者目录结构变了整个 skill 就废了。推荐用相对路径或者在 skill 启动时让 AI 动态询问资料路径。6. 不是所有 skill 都适合学习场景选型和改造思路现在开源社区里 skill 数量多到眼花缭乱但不代表都能直接拿来解决“读完就忘”。根据我的使用经验不同方向的 skill 适合的人群和目标差异很大选错了反而是负担。我把常见类型分成了四类你可以对号入座Skill 类型适合人群核心价值备注拆书总结型快速了解一本书速度优先容易看过就忘建议配合测试环节对话交互型喜欢互动学习的人沉浸式理解质量取决于模型能力需要好模型卡片复习型备考、长周期学习者抗遗忘和 Anki 结合最佳费曼输出型需要深度掌握的人知行合一最耗时但长期收益最高另外我还观察到一个趋势就是把整本书转化成 skill 本身。热门搜索里的 “book to skill” 就是这类思路书不再是线性阅读的文本而是一个你可以随时用自然语言提问、测试、讨论的“知识体”。这种形式其实很适合工具书和手册类内容比如编程框架的文档或者心理学流派综述。我也在尝试用这个思路把几本经典书打包成自己的私有 skill目前还算稳定。如果你不想直接用别人的模板我的建议是从最小闭环开始先只做一个“章节自测生成器”跑通流程后再慢慢加入卡片生成、费曼追问、迁移输出这些模块。一口吃不成胖子skill 也一样。注意开源 skill 的许可证五花八门有 MIT、Apache 2.0、也有完全禁止商用的。如果只是自己学习随手用基本不用管但如果你打算把改过的 skill 发回社区或者商业使用务必先检查仓库里的 LICENSE 文件。7. 最后分享一点我的使用心得从“读完就忘”到建立起一套有回报的阅读习惯我花了大半年踩过不少坑最后总结下来三句话第一工具不是万能的但一个完善的流程能代替你百分之八十的意志力第二学习科学里那套反复验证的原理远比你想象中有效关键是找对方式把它们变成每天都自动运行的流程第三开源 skill 最大的红利不是“免费”而是可以按照自己的学习习惯调整别人的模板永远只是起点。如果你现在手头正好有一堆读了一半或者读完就忘的书不妨找一个支持 skill 的工具装一个拆书类的开源技能包挑其中一本重新读一遍。过程和结果的差异只有实际试过的人才会懂。这条路走通之后你会比任何一次“从头到尾重读一遍”都记得更牢。
