ljg-skills 全拆解：22 个共享同一'语义单位'模板的 AI 思维工具集

一句话判断

ljg-skills 表面上是一个把"AI 写作方法论"封装成可安装 Codex/Claude Code skill 集合的个人项目（6,889 stars / MIT / Version 1.17.96 / 22 个 SKILL.md），但它真正有意思的地方不在任何单一 skill，而在 22 个 skill 共享的"语义单位"模板——每个 skill 都遵循 6 段固定结构（触发场景 / 后端讲解引擎 / Workflow Routing / 成文契约 / Gotchas / Examples），把"理解一个概念"这种模糊高阶能力拆成可机械检查的工序。这个仓库是写给作者自己用的思维工具操作系统——它先把"什么是思考"拆成原子操作，再把每个原子操作拆成可验证的成文契约。

系统地图：22 个 skill 怎么协同

ljg-skills 的 22 个 skill 不是"一个内容平台 + 多个 skill"，而是按"读 → 想 → 写 → 出"全链路组织的工具集：

这 22 个 skill 共享同一份"语义单位"模板——这是仓库最值钱的设计：

YAML frontmatter (name + description + USE WHEN + NOT FOR + user_invocable + version)
+ 后端讲解引擎(从旧理解到新理解的回流链)
+ Workflow Routing(流程路由表)
+ 成文契约(可机械检查的判定标准)
+ Gotchas(反模式清单)
+ Examples(跑通过的真实案例)
+ 配套 Tools/(可执行脚本)+ Workflows/(多步流程)+ References/(参考模板)

判定这是个工具集而不是项目代码 的几个证据：

• 仓库根不是主项目代码——主项目是 skills/ 目录下的 22 个 skill
• 安装方式通过 bunx skills add lijigang/ljg-skills，这是 Vercel Labs 的 skills CLI
• .claude-plugin/marketplace.json + plugin.json 符合 Claude Code 插件规范
• 双分支设计：master 是 org-mode（Emacs 用户），md 是 Markdown（Obsidian/VSCode 用户）

整个仓库的行事逻辑——它不试图把"AI 写作"做成一个 facade，而是让用户按需激活每个 skill 的触发场景（USE WHEN… / NOT FOR…），形成组合拳。这跟 OpenAI Agents SDK 的"agent skills YAML"是一脉相承的协议。

三个核心机制：SKILL.md 模板 + 后端讲解引擎 + 成文契约

机制 1：SKILL.md 模板——把"模糊高阶能力"拆成可机械执行协议

ljg-plain 的 SKILL.md 第一句话：

“白话。让人 grok。规定不能怎么写。下限锁死，上限放开。”

这一句话定了整个仓库的"做产品的姿态"——不是给作者最大自由，而是给作者最大约束。“红线"段落接着列了 9 条强制规定：

1. 口语检验(最高法则)
2. 零术语(12 岁孩子能复述)
3. 短词优先
4. 一句一事
5. 具体
6. 开头给理由
7. 不填充
8. 信任读者
9. 诚实

这 9 条不是"建议”，是强制约束——“扫完列修改清单（哪句触发什么，改前→改后）"。这种"用红线替代品味"的做法是整个仓库的工程哲学：把"什么是好文章"这种主观判断，拆成可机械检查的 9 条否决项。

ljg-writes 把"思考"拆成强制工序：

“先用读者最自然的『零号模型』处理它，让这个简陋解释真的运行一次，并把失败落成一个可观察结果。”

——这就是"零号模型"循环：最小案例 → 零号模型运行 → 一个可观察缺口 → 一个概念补位 → 同案重跑 → 下一个缺口 → 整体回收 → 迁移与边界。每个阶段都有明确的"产物"和"过门条件”，不是"思考"这种模糊词。

机制 2：后端讲解引擎——从旧理解到新理解的回流链

最精妙的发现：每个 skill 都在 frontmatter 里偷偷藏了一个**“回流链”——这是写作时不能让读者看到**，但写作者必须严格执行的工序。

ljg-paper 的回流链：

x_t --[在 R_t 中运行 f_t]--> 结果
                               ↓
                         E_t 检查结果
                               ↓
                    证据或缺口出现
                               ↓
              更新 x / R / f / E
                               ↓
                        x_{t+1}

x（情况）/ R（关系）/ f（做法）/ E（判断尺度）——这是论文贡献的四个可能落点。读完一篇论文后，写作者必须问：“这篇论文改写的是哪个？”

对应表：

这不是装饰——它决定读者能拿到什么。ljg-is 的回流链更短：

完整定义 = (限定条件)本质
本质 = 最小的、有方向的状态变化
The One = 本质的最小可迁移结构式

Taxi 的本质不是"安全、舒适、按需"——那些是括号。本质是"把人从 A 点送到 B 点"。结构式 (X, S0) -> (X, S1) 把本质压成可迁移的形态。

ljg-rank 的回流链：

铺现象(10+个) → 列候选 → 递归下沉 → 合并同源 → 砍 → 反生成 → 预测+变更双测

每步都有"判据"，但写作时不写出来——“判据是事后才能验的事，找秩的力气全在过程里”。这种"内功藏后台，只把结果交给读者"的设计让 skill 同时具备"易用"和"可机械验证"两件事。

机制 3：成文契约 + Gotchas——把"读者能不能 grok"变成可机械检查项

每个 skill 都有成文契约——可机械检查的判定标准：

ljg-writes 的成文契约（4 条内部约束）：

• 概念可指认：承重抽象词能落到普通话 + 可见现象
• 关系可运行：读者能说清谁在什么条件下作用于谁
• 案例可映射：场景不是气氛装饰；角色 + 因果能对应原观点
• 判断可迁移：换掉人物和材料，关系仍成立

这 4 条不是"建议"——它们是"内部约束，不要把文章写成教学清单"。验收标准是"读者读完能不能用这个判断去看一件新事"。

ljg-is 有 Gotchas 14 条——典型几个：

• 不要把完整定义当本质（限定条件退到括号）
• 不要用优点清单收尾（“安全、舒适、高效"描述做得怎样，不描述做了什么）
• 不要停在抽象名词（“服务"“价值"“连接"没方向也不完成态）
• 不要把实现写进核心（车、App、算法只是怎么做）
• 不要为了短而失真（极简不是字数竞赛）

ljg-card（视觉输出）有 Gotchas 6 条——“object-fit: cover 可能只裁坏一格”，“同案重跑要求角色、道具与空间连续”——每条都是真实的工程坑。

ljg-blind（盲区扫描）有 Self-check 列表——翻译腔查了吗？名词化、「是…的」句扫一遍。切痕风金属比喻查了吗？「这一刀」「钉死」「砸实」一个不留。

这种"gotcha 列表"的设计哲学——它把所有踩过的坑写进 skill，防止下一个用户重蹈覆辙。它把"经验"显性化——不是"我写得好因为我有 sense”，而是"我写得好因为这 14 条 gotcha 拦住了所有退化路径”。

任务流：一次"圆桌讨论"如何流过 ljg-roundtable

ljg-skills 22 个 skill 中最有"动态可观察"流程感的是 ljg-roundtable——主持人邀请 3-5 位真实人物逐轮交锋，每轮收一张 ASCII 结构图，散场全文存档。

一次完整圆桌的 6 步流程：

1. 定议题 —— 用户给议题直接用；只说"圆桌"没议题，先问一句
2. 请人 —— 3-5 位真实人物（历史 + 当代），每人给 4 样：
   • 姓名
   • MBTI
   • 立场（一句话）
   • 为何请他（看这个议题的角度，别人给不了）
3. 开场 —— 主持人亮出人物名单 + 请他们来的理由，然后抛出定义问题："『议题核心概念』指什么？哪些要素少不了？”
4. 讨论循环 —— 每轮三步：
   • 发言：谁说话看讨论走势定（不排班），每段必须接前面的话
   • 综述：主持人点出本轮核心争议点 + 画一张 ASCII 图（2x2 矩阵 / 光谱轴 / 因果环 / 层级树）+ 引出下一层问题
   • 等指令：用户从 4 个指令里选（可 / 止 / 深入此节 / 引入新人物）
5. 收场 —— 用户下"止"后：全局总结 + 完整知识网络 ASCII 图 + 开放问题
6. 存档 —— 全文写进 org 文件，发言、ASCII 图、综述全部原文照录，不摘要、不压缩、不改写

Ljg-roundtable 的独特约束：

• 中间不发"开始/阶段/进度"语音——只发"开始"和"完成"两次，完成后由系统统一处理
• 主持人不站队——每轮只追一个争议点，追到底，别摊大饼
• 要交锋——参会者说得客气、绕开分歧，主持人要点破，把分歧摆回桌面（“表面共识等于没讨论”）
• 综述时把底牌摊开：站在什么假设上、前提是什么、推理链在哪里分岔
• 参会者忠于本人真实思想体系——说这个人真会说的话，引他写过的书、说过的名言
• 泛泛而谈的正确废话不要——质疑就指出对方哪个前提站不住

这套协议的设计含义——它把"圆桌讨论"这种看似主观的协作形式，拆成可机械执行的指令循环（发言 → 综述 → 等指令 → 决定下一步）。用户从"参与者"变成"指挥官”——不是被动听讨论，而是主动拍节奏（可 / 止 / 深入 / 引入）。

ljg-card 的 capture.ts 脚本则把"圆桌产出物"做成视觉卡片——它用 Playwright 渲染 HTML 为 PNG，等字体加载 + 验证图片完整性 + 检查 alt 文本后才截图。这是仓库的"工程级关卡"——不是"看起来差不多就行"，而是"图片损坏就报错，alt 缺失就拒绝"。

数字解读：为什么 6,889 stars 集中在 22 个 skill 上

仓库元数据：6,889 stars / 1,228 KB / 116 文件 / 22 个 SKILL.md / 1 个 marketplace.json / 1 个 plugin.json / 6 个 TS 脚本 / 21 个 Workflows/ 文档。

几个值得单独拎出来的数字：

• 22 个 SKILL.md —— 每个 skill 都有完整的 6 段结构（frontmatter + 后端讲解引擎 + Workflow Routing + 成文契约 + Gotchas + Examples）。这是仓库的核心可重用资产——它不是"几个 prompt 模板"的集合，而是"思维工具方法论"的完整封装
• ljg-card 的 6 个 TS 脚本（capture.ts / audit.ts / build-fixtures.ts / ValidateClassic.ts / ValidateNote.ts / RenderClassic.ts）——这是少数几个有真实 TS 代码的 skill，体现了"工具集"两字的"工具"一面
• 3 个核心 gotcha 类型：
  • 翻译腔（“是…的” / 名词化抽象 / 不自然的动宾搭配）——ljg-plain / ljg-rank / ljg-constraint 都强调这个
  • 切痕风金属比喻（“这一刀"“钉死"“砸实”）——ljg-blind / ljg-card 列入红线
  • AI 套话（“显而易见"“值得注意"“综上所述”）——ljg-writes / ljg-plain 列入 Gotchas
• 双分支设计 —— master 是 org-mode（Emacs 用户），md 是 Markdown（Obsidian / VSCode / Notion 用户）。两次 git add / 一次 push 的同步流程在 ljg-push/Tools/Push.sh 里

6,889 stars 的来源不太可能是"AI 写作工具的实际用户”——这个仓库的安装方式（bunx skills add + 双分支 + 各种自定义路径）门槛太高。更可能的来源是"AI 写作方法论的读者”——仓库 README 本身就是一份"高阶思维工具是怎么被设计出来"的范本。

重要意义——这个仓库证明了一件 Anthropic CoWork Skills 协议正在发生的事：“AI 写什么"不再是个 prompt 问题，而是个"语义单位封装"问题。每个 skill 不是"提示词模板”，而是"一份可被机器读、可被工程师审、可被用户机械激活的协议”。

这套系统适合谁用、谁可以等等

适合：

• AI Agent 工程师：想理解"Skills 协议"是什么——ljg-skills 是为数不多的"完整实现 + 真实用例"样本。它把 SKILL.md 6 段结构跑通了，每段都有具体作用
• 写作者 / 知识工作者：想要"高阶思维工具"的具体可执行版本——ljg-is / ljg-rank / ljg-constraint / ljg-think / ljg-writes 单独拎出来都是让人手痒的工具
• Emacs / Denote 用户：用 master 分支的 org-mode 版本直接落地
• Obsidian / VSCode / Notion 用户：用 md 分支的 Markdown 版本
• AI 安全研究者：想看"用户如何把 AI 思维工具封装成可机械执行协议”——这是 AI Agent 治理的边缘主题

可以等等：

• 只想用 AI 写几篇博客的普通用户——直接用 Claude / ChatGPT 足够，22 个 skill 的全套安装成本太高
• 不会装 Codex / Claude Code 子系统的用户——这个仓库假设你已经熟悉 skills CLI 的工作机制
• 想找"AI 写作工具评测"的人——这是"工具集"不是"评测"，没有 benchmark 数据
• Windows 用户——Bun + Playwright + bunx 链路在 Windows 上需要 WSL

从哪里开始：

1. 第一遍：通读 README + skills/ljg-writes/SKILL.md + skills/ljg-is/SKILL.md 三份——这是仓库的"骨架"
2. 第二遍：装一个 skill 到自己环境，跑一遍——bunx skills add lijigang/ljg-skills -g -a codex --skill ljg-is -y 是最快入口
3. 第三遍：挑一个自己写作中的具体问题，用 ljg-is + ljg-writes 组合跑一遍
4. 第四遍：研究 ljg-paper 的回流感——这是写作者最强力的"内功模型"
5. 最后：翻 scripts/install.sh 和 scripts/sync-push.sh 看怎么把 skills 同步到 GitHub

收尾判断：SKILL.md 协议正在悄悄成为 AI 时代的内容资产格式

读完 ljg-skills 之后，最强烈的判断是：它不是"AI 写作工具集"，而是一份"如何把主观能力封装成可执行协议"的工程范例。

ljg-skills 的真正价值不在于"它的 22 个 skill 写得有多好"——而在于它证明了一件事：高阶思维工具（理解概念、拆书、写作、追本质）是可以被拆成可机械执行协议的。

如果把这 22 个 skill 的共同结构抽出：

YAML frontmatter（USE WHEN + NOT FOR + 触发场景）
+ 后端讲解引擎（不可见的回流链）
+ Workflow Routing（路由到不同工序）
+ 成文契约（可机械检查的成功标准）
+ Gotchas（反模式清单，拦退化路径）
+ Examples（跑通过的真实案例）

这 6 段结构就是"AI 时代的语义单位模板"——它让一个"模糊高阶能力"变成可被触发、可被评估、可被组合的最小单元。Anthropic CoWork Skills 协议、OpenAI Agents SDK 的 agents.yaml、本仓库的 SKILL.md——都在朝这个方向收敛。

如果你在做 AI Agent 相关产品，最值得从 ljg-skills 身上学三件事：

1. 把"模糊高阶能力"拆成可机械检查的成文契约——ljg-writes 的 4 条契约（概念可指认 / 关系可运行 / 案例可映射 / 判断可迁移）比任何"prompt 模板"都更有工程价值
2. 用 Gotchas 列表取代品味——把"我写得好因为我有 sense"翻译成"我写得好因为这 14 条 gotcha 拦住了所有退化路径"，知识因此可继承
3. 后端讲解引擎藏后台，前台只交结果——ljg-paper 的 x/R/f/E 回流链写在 SKILL.md 内部，但前台文章里从不出现“零号模型"之类术语——这是"易用"和"可验证"两件事同时成立的关键

真正会改变"AI 时代内容生产"的，不是更大的模型，而是这套"语义单位模板”——它决定了"AI 写作"是继续停留在"prompt 调参"，还是进化到"可机械验证的工序组合"。ljg-skills 是这个进化方向上的一个完整样本。

附录：仓库关键事实卡

参考资料

• 仓库主页：https://github.com/lijigang/ljg-skills
• 安装脚本：https://github.com/lijigang/ljg-skills/blob/master/scripts/install.sh
• 双分支同步：https://github.com/lijigang/ljg-skills/blob/master/scripts/sync-push.sh
• 插件清单：https://github.com/lijigang/ljg-skills/blob/master/.claude-plugin/marketplace.json
• Vercel Labs skills CLI：https://github.com/vercel-labs/skills
• Anthropic Skills 协议：https://www.anthropic.com/engineering/equipping-agents-for-the-real-world-with-agent-skills
• Claude Code 插件：https://docs.claude.com/en/docs/claude-code/plugins
• OpenAI Agents SDK：https://openai.github.io/openai-agents-python/
• Denote 文件命名：https://github.com/protesilaos/denote
• 内置配套工具：所有 skill 都有 Tools/ 子目录（如 ljg-card/assets/capture.ts 截图脚本、ljg-card/assets/audit.ts 校验脚本）