影片筆記：WorkBuddy打造skill：将书和视频蒸馏为可执行 Skill

一句話總結

本影片介紹如何將書籍或影片內容透過「知識蒸餾」流程，提純為具備觸發條件與執行步驟的 Skill（技能模組），解決 Agent 有知識但無法主動落地應用的痛點，並詳細闡述了 Tanger Scale 六階段流程、與 RAG 的區別以及視頻蒸餾的新增功能。

核心重點

• 知識蒸餾 vs. RAG：RAG 解決的是「知識管理」（查詢已知內容），而知識蒸餾解決的是「知識運用」（讓 Agent 在特定情境下主動觸發框架）。當用戶不知道該問什麼時，蒸餾後的 Skill 能主動提供建議。
• Tanger Scale 六階段流程：從整書理解、多 Agent 並行提取、三重驗證篩選、構造 Skill、建立連結到壓力測試，形成一套嚴謹的 Skill 生產線。
• Skill 的核心結構：必須包含「觸發條件」與「執行步驟」。沒有觸發條件，Agent 無法知道何時調用該技能。
• 視頻蒸餾（第二版新增）：支援 YouTube 和 B 站視頻，透過 Video Downloader 下載、提取音頻、ASR API 轉寫後進入蒸餾流程。
• 成本與模型建議：由於涉及多 Agent 並行提取與驗證，Token 消耗較高。建議使用輕量模型進行提取，強模型進行驗證和構造。
• 適用性：適合方法論密度高的書籍、訪談、課程視頻；不適合金句散文或小說。蒸餾是閱讀後的結構化工具，非替代閱讀。

詳細大綱

I. 核心概念與痛點

• 現狀痛點：讀了很多書或經典，但回答常是「正確的廢話」，缺乏可落地的步驟，導致「學了用不上」。
• 目標：讓 Agent 在對的時刻主動拿出對的框架。
• 定義：知識蒸餾是將書或視頻裡的方法論，提純成具備觸發條件、執行步驟的 Skill。

II. Tanger Scale 六階段蒸餾流程

1. 階段 0：整書理解

• 不從摘金句開始，先讀清整本書的骨架。
• 這決定了後續提取的質量上限。

1. 階段 1：多維度並行提取

• 讓五個 Agent 從五個維度（框架、原則、暗粒、反粒、數於）並行掃描全文。
• 各自獨立工作，互不干擾，避免單線閱讀的視角遺漏。

1. 階段 1.5：三重驗證篩選

• 每個候選單元必須過三關，未過即淘汰（寧缺毋濫）。
• 一本書通常產生 50-100 個候選，最後只留 10-25 個。

1. 階段 2：構造 Skill

• 核心是設計「觸發條件」。
• 沒有觸發條件，Agent 不知道何時調用。

1. 階段 4：座連結（建立連結）

• 將 Skill 之間的關係連成知識網絡。
• 面對複雜問題時，Agent 能選擇一組 Skill 而非單個。

1. 階段 5：壓力測試

• 使用誘餌測試：故意給不該觸發的場景，看 Skill 能否忍住不激活。
• 使用真實問題驗證：確認給出的是否為可落地的步驟。

III. 產物結構與特性

• 產物形式：一套結構清晰的 Skill 集合。
• 包含 Rimi 說明。
• 每個 Skill 的獨立文件。
• 記錄關係的 Index。
• 待測試用力的 Test 目錄。
• 進化能力：測試用力兼容 Darwin Scale，可自動進化，持續優化，分數只升不降。

IV. 與 RAG 及其他工具的比較

• 與 RAG 的區別：
• RAG：解決知識管理，讓你能查到書裡有什麼。
• 知識蒸餾：解決知識運用，讓 Agent 主動拿出框架。
• 當用戶不知道該問什麼時，RAG 幫不了，但蒸餾後的 Skill 可以主動觸發。
• 與 LLM Wiki 的關係：吸收了 Carpacy 的 LLM wiki 思路，但目標不同，兩者不互斥。

V. 視頻蒸餾（第二版新增）

• 流程：Video Downloader 下載視頻 -> 提取音頻 -> 轉寫成文字 -> 進入六階段 Sub。
• 支持平台：YouTube 和 B 站。
• 建議：長視頻推薦用 ASR API 轉寫。
• 合併處理：多個同主題視頻可合併蒸餾，自動取重。
• 職責分離：視頻獲取和文本蒸餾職責分離，各自演進。

VI. 適用材料與成本建議

• 適合材料：
• 方法論密度高的書（五星）。
• 訪談和課程視頻。
• 長視頻播客。
• 不適合材料：
• 金句散文類。
• 小說敘事文學。
• 前置條件：蒸餾前最好自己先讀過一遍，蒸餾是閱讀後的結構化工具，非替代閱讀。
• 成本與模型建議：
• Token 消耗密集型（主要花在多 Agent 並行提取和驗證上）。
• 建議：輕量模型做提取，強模型做驗證和構造。

VII. 分享與復用

• 產物可直接分享復用。
• 將 GitHub 倉庫地址給 Agent，即可自動安裝使用。
• 社區內同一本書不必每個人重複蒸餾。

VIII. 常見誤區與提醒

• 訓練過的書也要蒸餾：因為小眾和新書，AI 大概率沒讀過；且蒸餾價值在於觸發條件。
• 蒸餾後仍需讀書：它是補充，不是替代。
• 決策責任：AI 給建議不等於能直接執行，決策還是人的責任。
• 邊界控制：覆蓋不是越廣越好，邊界要控住。
• 案例：以溫達的 AI 入門課為例，26 個視頻可蒸餾成一套 Skill 集合。

IX. 總結

• 知識蒸餾是 Skill 的一種生產方式。
• Seg 封裝並行。
• 產物可在同一個 Agent 框架下混合使用。

工具 / 模型 / 名詞整理

• WorkBetty 進階藍皮書：影片提及的參考文獻或框架來源。
• Tanger Scale：知識蒸餾的六階段流程框架。
• Skill：技能/模組，具備觸發條件與執行步驟的 Agent 能力單元。
• RAG：檢索增強生成，用於知識管理與查詢，與知識蒸餾形成對比。
• Carpacy：提及的 LLM wiki 思路來源。
• LLM wiki：大型語言模型維基百科，一種知識組織方式。
• Video Downloader：用於下載視頻的工具。
• ASR API：自動語音識別應用程序接口，用於將視頻音頻轉寫為文字。
• Darwin Scale：用於 Skill 自動進化優化的機制。
• GitHub：用於分享和復用 Skill 集合的代碼托管平台。
• Agent：智能體，調用 Skill 的主體。
• Index：記錄 Skill 之間關係的索引文件。
• Test 目錄：存放測試用例的目錄。
• 溫達的 AI 入門課：影片舉例的課程案例。
• Seg：文中提及「Seg 封裝並行」，具體含義需查證。

操作流程整理

文本/書籍蒸餾流程 (Tanger Scale)

1. 整書理解：閱讀書籍骨架，確定提取方向。
2. 多維度並行提取：啟動多個 Agent，從框架、原則、暗粒、反粒、數於等維度掃描全文。
3. 三重驗證篩選：對提取內容進行三關驗證，淘汰不合格項目，保留高質量候選（約 10-25 個）。
4. 構造 Skill：為保留的候選設計「觸發條件」與「執行步驟」。
5. 座連結：建立 Skill 之間的關聯，形成知識網絡。
6. 壓力測試：使用誘餌測試邊界控制，使用真實問題驗證落地能力。

視頻蒸餾流程 (第二版新增)

1. 視頻獲取：使用 Video Downloader 從 YouTube 或 B 站下載視頻。
2. 音頻提取與轉寫：提取音頻，建議使用 ASR API 將長視頻轉寫為文字。
3. 進入蒸餾流程：將轉寫後的文字進入上述的 Tanger Scale 六階段流程。
4. 合併處理：若有多個同主題視頻，可合併蒸餾並自動去重。

值得注意的限制或風險

• 成本高昂：多 Agent 並行提取和驗證導致 Token 消耗巨大，建議採用輕量模型提取、強模型驗證的策略以控制成本。
• 適用範圍有限：不適合金句散文、小說敘事文學等缺乏明確方法論的內容。
• 非替代閱讀：蒸餾是閱讀後的結構化工具，建議蒸餾前用戶已讀過一遍，不能完全替代閱讀。
• 決策責任在人：AI 提供的建議不等於能直接執行，最終決策責任仍由人類承擔。
• 邊界控制風險：Skill 的覆蓋範圍不宜過廣，需嚴格控制觸發條件的邊界，避免誤觸發。
• 小眾內容風險：對於小眾或新書，AI 可能未讀過，因此更需要透過蒸餾來賦予其結構化能力。

逐字稿辨識疑點

• 蒸留：逐字稿多次出現「蒸留」，疑為「蒸餾」之聽寫錯誤。
• 代處發條件：疑為「觸發條件」之聽寫錯誤。
• 代執行步驟：疑為「執行步驟」或「代執行步驟」，語意稍顯模糊。
• 暗粒、反粒、數於：在描述五個維度時出現，疑為特定術語或聽寫錯誤（如「參數」？），需查證。
• Tanger Scale：可能為特定框架名稱，需查證是否為「Tanger」或其他拼寫。
• 座連結：疑為「做連結」或「組連結」之聽寫錯誤。
• Rimi 說明：疑為「README」或特定說明文件名稱之聽寫錯誤。
• 測試用力：疑為「測試用例」之聽寫錯誤。
• Sub：在「進入六階段 Sub」中，疑為「步驟」或「階段」之聽寫錯誤。
• Seg 封裝：疑為特定術語或聽寫錯誤，需查證。
• 溫達：人名或課程名稱，需查證是否為「溫達」或其他名稱。