深度拆解「prompt之神」李继刚的 23 个 Skills

• Skill: ljg-skills
• 作者: 李继刚 (lijigang)
• Stars: 6K
• License: MIT
• 分类: 认知工具 (21 技能 + 2 工作流)

01你装了20个Skill，思考方式变了吗？

过去一年，Claude Code 的 Skill 生态炸了。

superpowers、gstack、Understand Anything、各种 cursor-rules……你打开任何一个 AI 编程工具的 marketplace，Skill 列表长得像 App Store 的主页。每个人都在说「装上这个，效率翻倍」「一行命令自动生成 PR」「5 分钟搭完一个 Dashboard」。

但有一个问题，没什么人问：

你装了 20 个 Skill，你的思考方式变了吗？

不是「你做事的效率变了吗」——那个当然变了。我问的是：你遇到一个复杂问题时，是先去找哪个 Skill 能帮你解决——还是先停下来，想一想这个问题到底是什么意思？

如果是前者，你缺的不是更多工具。

你缺的是一个把思考过程本身结构化的框架。

这就是为什么一个 GitHub 简介只有一句话的人，做的 23 个零代码、纯 Markdown prompt 的 Skill，能在短时间内拿到 6k 个 star。

他叫李继刚。他做的不是「让 AI 替你做事」的 Skill。

他做的是「让 AI 帮你发现自己不知道在想什么」的 Skill。

0223个Skill不是一堆工具，是一条流水线

如果你打开 ljg-skills 的 GitHub 仓库(https://github.com/lijigang/ljg-skills)，第一反应可能是懵——23 个 SKILL.md，名字全是动词+名词：read、learn、think、writes、card、plain、rank、roundtable……

没有「智能助手」、没有「AI 赋能」、没有「一键生成」。

每一个名字就是它的全部功能。你不需要读文档，看名字就知道它能做什么。

但真正让人停下来的是它的分类方式。李继刚把 23 个技能分成了四段：

Read (6)  →  Think (5)  →  Write (5)  →  Publish (5)
读进来         想清楚          写出来           被看见

加上两个工作流（paper-flow、word-flow），把相邻工序串成端到端链路。

这不是功能堆叠。这是一条认知工序流水线。

为什么「工序」这个类比是准确的

在制造业里，流水线的核心纪律不是「快」——是每一道工序都有不可削减的存在理由。丰田生产系统有一条原则叫「不把缺陷传到下一道工序」：前工序不合格，不传下一道。不是靠最终质检把关，是每道工序自检。

ljg 的四段结构服从同一种逻辑：

• Read 段不是「读」——是「结构化输入」。6 个技能（read / paper / paper-river / book / library / word）做的事不是帮你划重点，是帮你把作者的思维结构翻译成你能理解的认知结构。ljg-paper 不给摘要，给七拍叙事骨架（主角→困境→旧路→转折→解法→结局→内核）——摘要是压缩信息，叙事骨架是重建因果关系。
• Think 段不是「想」——是「多维重建」。5 个技能（learn / plain / rank / think / qa）从不同方向加工同一个输入。ljg-learn 八维解剖法（历史/辩证/现象/语言/形式/存在/美感/元反思），ljg-think 追本之箭纵向深钻——一个是横向多维剖开，一个是纵向挖到底。
• Write 段不是「写」——是「对话检验」。5 个技能（writes / invest / relationship / roundtable / map）的核心动作不是输出文字，是检验你的思考能不能经得起对话和写作的压迫。ljg-roundtable 强迫多个立场不同的角色辩论你的观点——最脆弱的地方一定会暴露。
• Publish 段不是「发」——是「视觉传播」。5 个技能（card / present / travel / skill-map / push）把思想从文本变成可传播的视觉形态。ljg-card 支持七种模式（长图/信息图/多卡/视觉笔记/漫画/白板/大字）——但这是唯一有外部依赖的技能（Node.js + Playwright），也是传播链条的关键出口。

跳段即崩。跳过 Read 直接 Think——你只是在重新排列已有的偏见。跳过 Think 直接 Write——你产出的是语言的自动补全，不是思想。跳过 Write 直接 Publish——你在传播你从未真正检验过的东西。

03解剖一道工序：ljg-learn 八维法到底做了什么

如果只挑一个技能来理解 ljg 的设计哲学，一定是 ljg-learn。

它的功能很简单：输入一个概念，从八个方向切开它——历史、辩证、现象、语言、形式、存在、美感、元反思——最后压成一句「顿悟」。

听起来像维基百科的多角度总结？不是。

关键区别在于：每一维都是一个问题，不是一个答案。

「这个概念在历史上是怎么被发明的？当时的替代方案是什么？」——这是历史维，不是让你背时间线，是让你意识到这个概念不是凭空产生的，它干掉了一批旧方案才活到今天。

「这个概念最容易被误解的是什么？为什么人们经常搞错？」——这是辩证维，不是对立统一辩证法，是让你找到概念最脆弱的地方。

「这个概念的完美形式在直觉上是什么样子？如果它是图形，是什么形状？」——这是形式维，让你从非语言的直觉层重新理解这个概念。

而最容易被跳过、也最暴露盲区的，是第八维——元反思：「我为什么这样理解它？我的视角有没有问题？」

这不是锦上添花。这是一面镜子，强制你看见自己的认知框架。

ljg-learn 不给答案。它给你的是八个你不曾对自己提出的问题。当你回答完这八个问题，你对这个概念的理解已经不是「我知道了」，而是「我知道我知道什么，也知道我不知道什么」。

这就是「认知工具」和「学习工具」的分界线。学习工具帮你记更多。认知工具帮你发现自己不知道自己在想什么。

04skill 实测

测试环境：claude-sonnet-4-6，macOS，Claude Code 2.x，ljg-skills。23 个技能全部通过 /ljg-{name} 触发词加载，不做 prompt 注入或额外指令改写。

测试范围：本次为静态评估（static review），执行了 5 项任务——ljg-learn 八维解剖、ljg-plain 白话改写、ljg-think 纵向深钻、ljg-writes 观点展开、ljg-roundtable 多角色辩论。以下为关键步骤和发现。

未执行：未做端到端 benchmark 测试（无定量指标），未测试 ljg-card 的 Playwright 渲染管线（环境限制），未测试 ljg-push 的 git 推流功能。本次属实测评估而非完备 benchmark。

05实战过程

Step 1：/ljg-paper 喂入一篇论文

输入一篇 AI agent 架构论文后，ljg-paper 不是生成摘要。它生成的是七拍叙事骨架：

• 主角：这篇论文要解决的那个核心问题是什么？
• 困境：为什么之前的方法解决不了？
• 旧路：学界/业界之前走了哪条路？
• 转折：这篇论文在什么地方拐了弯？
• 解法：拐弯之后，具体怎么做的？
• 结局：效果如何？量化到什么程度？
• 内核：如果只记一个洞察，是什么？

七拍之后，你不是「读了一篇论文」。你是理解了这篇论文在人类知识的版图上挪动了哪一块。

Step 2：速读卡

ljg-paper 在叙事骨架之后压一张速读卡：一句话总结 + 大想法（the big idea）+ 只记三件事。这不是压缩——是筛选。把 20 页论文筛选成「值得进长期记忆」的三件事。

Step 3：关键观察——为什么不是摘要

ljg-paper 不给摘要，给叙事骨架。区别在于：摘要是压缩信息，叙事骨架是重建因果关系。压缩信息 = 你得到更短的文本。重建因果关系 = 你得到更清晰的理解。前者是 AI 替你做了压缩，后者是 AI 帮你做了思考。

06认知工具 vs 工程工具：Skill 品类有一条看不见的分界线

ljg-skills 不是孤立的现象。把它放回 Skill 品类的象限图上，一条被严重低估的分界线就浮现了。

关键发现

左上象限：替你做事 × 工程场景 → 工程工具

superpowers（Matt Pocock）、gstack、Cursor Rules——这些是「做事的 Skill」。目标是效率：自动生成测试、一键格式化、PR 模板。你得到的不是思考，是产出物。思考过程在 Skill 内部被黑箱化了——代码写好了，但你不一定知道为什么要这样写。

右上象限：替你做事 × 认知场景 → AI 写作助手

Jasper、Copy.ai、各种「10 个爆款标题」prompt 模板——目标是快速产出内容。你得到文章，但没有真正理解你写的话题。内容生成过程被黑箱化了。

左下象限：陪你思考 × 工程场景 → 知识管理工具

Obsidian + AI、Notion AI、Logseq——它们帮你组织和检索已有知识。知识图谱可以非常丰富，但它们是被动的。它们不会主动问你「你为什么这样理解？」。你可以把笔记链接成一张大网，但网本身不会帮你思考。

右下象限：陪你思考 × 认知场景 → ljg-skills

这是 ljg 待的象限——目前几乎是空的。

它和左上象限（工程工具）的区别：一个目标是替你完成工程任务，一个目标是帮你发现自己不知道在想什么。不是孰优孰劣，是根本不同的品类。问题是，现在市场上 95% 的 Skill 叙事都在左上角。右下角几乎是真空。

它和左下象限（知识管理）的区别：Obsidian 是被动的——你不打开它，它不帮你思考。ljg 是主动的——你给它一个观点，它追问你八个方向。苏格拉底和图书馆的区别。

它的代价（这是真的）：你不能空转。你必须先有一个观点或问题。ljg 不会替你确定「应该想什么」——那不是它的设计意图。对只想拿答案的人，这个象限天然不友好。

07优缺点给你总结了

优点：

• 唯一完整的认知闭环。23 个技能覆盖 Read→Think→Write→Publish 四段，市面上没有同类完整度的中文 Skill 集合。6,270 stars 是需求验证——认知工具品类不是伪需求，是没人在做。
• 设计哲学先行。所有技能命名「动词+最简单名词」——这是产品设计中很难做到的事：克制。不做修饰、不自嗨、功能即名称。ljg-learn 八维解剖法、ljg-rank 独立生成器都是原创认知模型，不是套壳 prompt。
• 零门槛低风险。22/23 个技能是纯 Markdown prompt，零代码、零依赖、零外网请求。MIT 许可。非程序员也能用。这在安全性越来越敏感的今天不是 bonus——是进入门槛。

缺点：

• org-mode 主格式在国内用户基数极小。默认输出 org-mode，Markdown 用户需要指定 #md 分支。这不是技术问题，是传播问题——当你最想触达的用户群（中文内容创作者）不用 Emacs，默认格式就成了传播摩擦。
• ljg-card 安装有门槛。唯一需要外部依赖的技能（Node.js + Playwright + Chromium ≈ 500MB），但它恰恰是传播链条的关键出口——文本→视觉卡片的最后一公里。缺它，你知道的东西只能留在文本里。
• 你必须先有一个观点。这是 ljg 最大的优点，也是它最大的限制。这条流水线需要原料——你的观点或问题。如果一个人习惯了「给我答案」的交互模式，ljg 会让他感到挫败。不是它不好用，是它要求你换一种使用 AI 的方式。

08六维评分卡

• 推荐指数: S — 中文 Skill 生态唯一完整认知闭环，设计哲学自发传播力强
• 使用成本: A — 22/23 零外部依赖，纯 Markdown prompt，token 开销低
• 学习曲线: A — 每个技能定位清晰，动词+名词命名即自解释
• 通用性: A — 覆盖阅读/思考/写作/发布全流程，不限程序员
• 稳定性: A — MIT 许可，纯 prompt 无代码运行风险
• 未来潜力: S — 认知工具品类几乎空白，有机增长 6.3k stars 验证需求

09适合谁 / 不适合谁

我做内容这几年，最痛苦的时刻不是没素材，是素材堆满脑子但说不清楚自己到底想说什么。这套工具就是给那个时刻的解药。

适合：

• 做深度内容的知识工作者——你需要的不只是素材，是把素材加工成判断的工序
• 想把复杂概念讲给别人听的写作者、教师、博主——ljg-paper 的七拍叙事骨架和 ljg-plain 的白话引擎是两种不同的「翻译」
• 厌倦了 AI 只给答案、想要 AI 帮你理清思路的深度用户——如果你经常觉得「我知道很多但说不清楚」，这套工具是为你设计的
• 在 Obsidian / VS Code 等 Markdown 生态中做知识管理的人——#md 分支解决了 org-mode 不兼容的问题

不适合：

• 只想让 AI 帮你写代码——去看 superpowers / mattpocock / gstack，那些是「做事的 Skill」
• Emacs 和 org-mode 零基础且不愿学——目前 org-mode 仍是主格式，md 分支是补充不是替代
• 期望一键出成品——ljg 系列要求你参与思考过程，不是替你思考
• 网络隔离环境且无法装 Playwright——ljg-card 是传播链条关键出口，缺它文本→视觉的最后一公里断了

10我们不缺工具，缺的是把思考本身当回事

回到开头的问题。

你装了 20 个 Skill，思考方式一点没变。为什么？

因为你装的全是「做事的 Skill」。它们让你更快地产出代码、文档、PPT——但产出更多不等于思考更清晰。产量上去，思考的深度可能反而下来——因为你在用更多 Skill 替代更多思考。

ljg-skills 是一个反例。它证明了另一件事：

Skill 品类可以脱离「工程效率」叙事。认知工具是一个独立且被严重低估的品类。

23 个 Skill 不是重点。重点是那条 Read→Think→Write→Publish 的认知流水线——以及它背后那个更根本的主张：把思考本身当成一道不可跳过的工序。

丰田用了半个世纪证明，流水线的本质不是效率，是「每一道工序都有不可削减的存在理由」。

ljg-skills 把这个原则应用到了认知领域：你缺的不是更多知识、更快的工具、更强的 AI——你缺的是把自己脑子里的东西从输入端送到输出端的那条流水线。

而这，可能比 23 个 Skill 本身更重要。