Projeto transforma livros e podcasts em skills testáveis para agentes de IA

Dados rápidos

• Repositório: kangarooking/cangjie-skill
• Licença: AGPL-3.0
• Linguagem: Python
• Popularidade: 7.202 estrelas e 897 forks; 4.632 estrelas no período
• Ranking: GitHub Trending, categoria monthly
• Consulta: 11 de agosto de 2026

De conteúdo passivo a ferramenta acionável

O projeto parte da ideia de que uma obra pode conter métodos aplicáveis em situações reais. Em vez de produzir apenas uma síntese, o Cangjie Skill tenta identificar unidades independentes de conhecimento, com condições de uso, limites, exemplos e passos de execução.

A abordagem também filtra o material. Segundo o README, somente uma parte dos conceitos extraídos costuma passar pela validação, que exige pelo menos duas evidências independentes no conteúdo original, capacidade de responder a questões não explicitamente apresentadas e diferenciação em relação ao senso comum. A taxa usual informada pelo projeto fica entre 25% e 50%.

O resultado esperado é um repositório com vários módulos. Entre os arquivos citados estão BOOK_OVERVIEW.md, para a compreensão geral da fonte, INDEX.md, para mapear as relações entre skills, DIGEST.md, com uma síntese voltada ao leitor, GLOSSARY.md, para termos, e diretórios individuais com arquivos SKILL.md.

Como funciona o pipeline RIA-TV++

O Cangjie Skill usa o fluxo chamado RIA-TV++. A sigla combina RIA, baseada nas etapas Reading, Interpretation e Appropriation, com TV, de Triple Verification. O sufixo “++” representa a inclusão de execução e limites para uso por agentes.

O processo descrito no README tem sete fases:

1. A fonte é analisada de forma geral, considerando estrutura, explicações, críticas e aplicações.
2. Cinco extratores trabalham em paralelo para buscar frameworks, princípios, casos, contraexemplos e termos.
3. Os candidatos passam pela verificação tripla.
4. Cada item aprovado é estruturado em seis dimensões: referência original, interpretação, exemplo da fonte, cenário futuro, passos executáveis e fronteiras de aplicação.
5. O sistema relaciona dependências, contrastes e combinações entre skills.
6. Testes de estresse usam casos com “pegadinhas” e confusões entre módulos.
7. Os itens aprovados são organizados para instalação em diretórios de skills do Claude Code e do Cursor.

O README também indica compatibilidade com OpenClaw e Claude Code. Um comando de instalação não está informado no repositório apresentado; portanto, o procedimento exato para instalar o projeto não é informado no repositório.

Onde o projeto pode ser usado

• Livros de negócios e investimento: obras como as cartas de acionistas de Warren Buffett podem ser convertidas em módulos para análise e tomada de decisão.
• Cursos e vídeos longos: transcrições de aulas, incluindo conteúdos de inteligência artificial, podem ser processadas em skills acionáveis.
• Podcasts e entrevistas: métodos apresentados em conversas podem ser separados de opiniões gerais e organizados por situações de uso.
• Materiais de marketing: conteúdos sobre redação, influência e crescimento podem gerar módulos com gatilhos, etapas e limites.
• Acervos extensos: coleções como textos, documentos e conjuntos de materiais podem ser conectadas por um índice e testadas em conjunto.

Para vídeos, o projeto recomenda combinar o fluxo com a skill video-downloader, que baixa o vídeo, extrai legendas ou transcrições de áudio e separa materiais relevantes antes da etapa de destilação.

O que diferencia a proposta

O README distingue o Cangjie Skill de sistemas voltados a resumo, anotações ou organização de legendas. Esses formatos comprimem informação, mas não necessariamente indicam quando aplicar determinado conceito, como executá-lo ou em que situação ele deixa de funcionar.

A proposta também se diferencia de projetos citados no próprio README, como nuwa-skill e darwin-skill. Enquanto o primeiro é apresentado como uma forma de destilar características e modos de trabalho de pessoas, e o segundo como um sistema de evolução desses skills, o Cangjie Skill concentra-se em métodos expressos em livros, vídeos, podcasts e outros conteúdos.

Entre os exemplos publicados estão pacotes derivados de obras como “Influência”, “Contágio”, “O Tao de Warren Buffett”, “O Livro Vermelho” e “A Arte da Guerra”. O número de skills varia conforme a fonte, segundo a listagem do projeto.

Limitações e cuidados

O repositório foi criado em 16 de abril de 2026, recebeu seu commit mais recente em 9 de agosto de 2026 e lançou a versão v2.0.0 na mesma data. Esses dados indicam atividade recente, mas não informam uma avaliação independente de maturidade, segurança ou desempenho.

Também não estão informados no repositório apresentado detalhes sobre dependências, requisitos de hardware, processo completo de instalação, auditoria de segurança ou métricas comparativas de qualidade. O uso de materiais externos exige atenção à origem e às permissões aplicáveis, enquanto a licença AGPL-3.0 define obrigações para redistribuição e uso do código.

Resumo rápido

• Projeto: destilação de conteúdos em AI Skills
• Licença: AGPL-3.0
• Linguagem: Python
• Estrelas: 7.202
• Ranking: GitHub Trending mensal
• Risco principal: detalhes de instalação, dependências e segurança não informados

Fontes

• Repositório no GitHub
• Release v2.0.0
• GitHub Trending mensal
• Homepage: sem site oficial informado no repositório