一个可开源的 CodeBuddy Skill：把粘贴的文章或本地 Markdown / TXT 文件，转换成 5–8 张知识卡片。每张卡片只讲一个知识点，包含「标题、核心知识、简明解释、例子或自测问题」。
设计原则：提取真正重要的知识，删除重复内容，绝不编造原文没有的信息；信息不足时不会强行凑数量。
阅读长文后，人往往难以快速抓住「哪些才是真正值得记住的知识点」，也容易把铺垫、重复、空话误当作重点。
本 Skill 解决的就是这个痛点：把一段零散、冗长的原文，自动提炼成结构统一、彼此不重复、且严格忠于原文的知识卡片，方便复习与自测。它刻意约束三点：
- 不编造：只输出原文中确实存在的知识，不添加外部事实、数据或结论。
- 不去重失败：同一观点只出现在一张卡片里，删除重复表述。
- 不凑数：原文信息密度低时，如实减少卡片数量并说明理由，而不是硬凑到 5–8 张。
- 两种输入：直接粘贴文本，或指定本地
.md/.txt文件路径（文件不存在时如实报错，不会猜测内容）。 - 单点聚焦：每张卡片只讲一个知识点，结构统一，便于复习。
- 智能提取：自动识别原文中真正重要的定义、原理、方法、事实、易错点，过滤铺垫、过渡与空话。
- 自动去重：合并相同或近似的观点，删除冗余卡片。
- 诚实定量：目标 5–8 张；信息不足时输出更少并说明原因。
- 自测友好：每张卡片附带一个来自原文的例子，或一个检验理解的自测问题。
卡片四字段：
| 字段 | 说明 |
|---|---|
| 标题 | 名词短语，命名这一个知识点 |
| 核心知识 | 1–2 句，准确陈述该点 |
| 简明解释 | 2–4 句大白话，说明「为什么重要 / 怎么理解」 |
| 例子或自测 | 来自原文的例子，或一个检验理解的自测问题 |
本 Skill 无需依赖、无需编译，只要放入 CodeBuddy 的 skills 目录即可。
方式 A：作为项目级 Skill（随仓库共享）
将本仓库克隆 / 下载后，确保 skills/make-knowledge-cards/ 位于项目根目录的 .codebuddy/skills/ 下：
# 若仓库根还没有 .codebuddy/skills，可这样放置：
mkdir -p .codebuddy/skills
cp -r skills/make-knowledge-cards .codebuddy/skills/即把
skills/make-knowledge-cards/整个目录移动到.codebuddy/skills/make-knowledge-cards/。
方式 B：作为用户级 Skill（跨项目可用） 复制到用户目录（路径因系统而异）：
# Windows (PowerShell)
Copy-Item -Recurse skills/make-knowledge-cards "$env:USERPROFILE/.codebuddy/skills/"
# macOS / Linux
cp -r skills/make-knowledge-cards ~/.codebuddy/skills/方式 C：通过 CodeBuddy 设置导入
在 CodeBuddy 设置 → Skills 中点击「导入 Skill」，选择本仓库的 skills/make-knowledge-cards/ 目录即可。
安装后无需重启，向 CodeBuddy 提出需求时会自动触发。
打开包含该 Skill 的项目（或在已安装用户级 Skill 的任意项目），向 CodeBuddy 提出需求，例如：
- 粘贴一段文章并说：「把上面的内容做成知识卡片」
- 「读取
tests/tech_attention.md，生成知识卡片」 - 「把这篇关于罗马帝国的笔记整理成学习卡片」
Skill 会自动完成：阅读原文 → 提取候选知识点 → 过滤重要项并去重 → 按卡片格式生成 Markdown 输出。
注意力机制（Attention）是深度学习中一种让模型在处理序列数据时，
自动聚焦于最相关部分的技术……传统 RNN 需要按顺序处理输入，难以并行，
且长序列下容易遗忘早期信息。# 知识卡片：注意力机制
## 卡片 1：注意力机制是什么
- **核心知识：** 注意力机制是一种让模型在处理序列时，
自动为不同输入位置分配不同权重、聚焦于最相关部分的技术。
- **简明解释：** 它解决了模型“该看哪里”的问题——
不再平等对待所有信息，而是根据相关性加权。
- **例子：** 翻译句子时，生成目标词会更多参考源句中对应的几个词。
---
## 卡片 2：QKV 与权重计算
- **核心知识：** 注意力通过计算查询（Query）、键（Key）、
值（Value）之间的相似度得到权重，再对值加权求和。
- **简明解释：** Q 是“我在找什么”，K 是“我能提供什么”，
V 是“我的内容”；相似度越高，贡献越大。
- **自测：** 若 Query 与某个 Key 相似度很低，对应 Value 的权重会偏大还是偏小？# 知识卡片：读书与自律随笔
原文信息密度较低，且多为常见观点、缺乏具体论据，仅提取到 2 个可形成独立知识点的内容。
为避免编造与凑数，未强行补足到 5 张。
## 卡片 1：多读书有助于进步
- **核心知识：** 原文主张多读书能促进个人进步。
- **简明解释：** 这是一句常见的观点性陈述，原文未给出具体理由、方法或例证。
- **自测：** 你觉得“多读书让人进步”成立需要哪些前提条件？make-knowledge-cards/ # 本仓库根
├── README.md
├── quick_validate.py # 官方校验脚本本地副本（已修正 Windows UTF-8 读取）
├── skills/
│ └── make-knowledge-cards/
│ ├── SKILL.md # 核心指令与工作流程
│ └── references/
│ └── card-quality.md # 卡片质量标准与好坏示例
└── tests/
├── tech_attention.md # 测试输入：技术文
├── history_rome.txt # 测试输入：历史文
├── thin_note.txt # 测试输入：稀疏随笔
└── output/ # 对应卡片输出
仓库根目录提供了官方 quick_validate.py 的本地副本（已修正 Windows 下 UTF-8 读取问题），用于校验 Skill 结构：
python quick_validate.py skills/make-knowledge-cards
# 输出: Skill is valid!tests/ 目录包含三类样例输入与对应输出，用于验证不同场景：
tests/tech_attention.md→ 信息密集的技术文，生成 6 张卡片。tests/history_rome.txt→ 叙事性历史文，生成 5 张卡片。tests/thin_note.txt→ 信息稀疏的随笔，仅生成 2 张卡片并说明原因（不凑数）。
输出位于 tests/output/。
MIT