李继刚 23 个 Skills 深度拆解——认知工序流水线¶

Ch07.073 李继刚 23 个 Skills 深度拆解——认知工序流水线¶

📊 Level ⭐⭐ | 5.8KB | entities/ljg-skills-deep-dive-datastudio-2026.md

李继刚（lijigang）的 23 个纯 Markdown prompt Skill，零代码，6k+ stars。核心设计不是工具堆叠，而是认知工序流水线：

ljg 技能体系最根本的创新是将 制造业流水线的工序逻辑 迁移到了认知处理领域。这 23 个技能被严格组织为四段流水线：

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

每段有不可削减的存在理由——跳段即崩： - 跳过 Read 直接 Think——不是在产生新洞见，而是在重新排列已有的偏见 - 跳过 Think 直接 Write——产出的是语言的自动补全，不是思想 - 跳过 Write 直接 Publish——传播的是从未被检验过的东西

这种设计的工程意义在于：它将"认知"从不可测量的黑箱状态转变为可管理的流程。每一段都有明确的输入、输出和质量标准，任何环节的瓶颈都可以被精确识别和优化。

八维法的核心不是"八个分析维度"本身，而是它定义的 认知框架——每个概念从八个方向切开：历史、辩证、现象、语言、形式、存在、美感、元反思。

关键设计特性： - 每一维都是一个问题而不是答案——这保持了认知过程的开放性 - 维度顺序有认知逻辑——从外部（历史、现象）逐步内化到存在和元反思 - 第八维「元反思」是最容易被跳过也最暴露盲区的——"我为什么这样理解它？我的视角有没有问题？"强制使用者看见自己的认知框架

八维法的深层价值在于：它把 批判性思维的操作规程固化到了 prompt 结构 中，使每一次概念分析都能覆盖大多数人自然状态下会跳过的关键维度。这不是"让 AI 更聪明"，而是"让人使用 AI 时的思考更完整"。

在 Claude Code 2.x + claude-sonnet-4-6 环境下，通过 /ljg-{name} 触发词加载了核心技能，实测发现：

ljg-paper（论文阅读器）：七拍叙事骨架（困境→现状→问题→方向→想法→论证→结论），为非学术读者提供了可操作的论文理解框架。
ljg-think（纵向深钻）：从给定观点一路向下钻到不可再分的本质。这是最接近 苏格拉底式追问 的 prompt 设计，通过递归式 Why 链逼近认知底层。
ljg-roundtable（多角色辩论）：围绕议题请来 3-5 位真实人物（如乔布斯、瑞·达利欧、埃隆·马斯克），逐轮交锋，每轮收一张 ASCII 结构图。将 多视角思维（Lateral Thinking） 工具化，强迫使用者从多个对立立场审视同一问题。

ljg 技能的独特之处在于它 零代码、纯 Markdown——不依赖任何特定工具链，不引入复杂 DSL，不锁定到特定 AI 平台。这意味着：

这种设计选择的深层洞察是：prompt 技能的价值在于认知框架本身，而非实现技术。框架才是可迁移的知识资产，技术实现只是暂时的载体。

将认知过程工序化是提升 AI 协作质量的关键——不要向 AI 提笼统的问题，而是将思考过程拆解为可管理、可验证的工序。ljg 的四段流水线提供了一个可直接套用的模板。
Prompt 框架比 Prompt 内容更持久——80 个字符的"帮我分析"远不如一套结构化的认知框架有价值。框架定义的是思考路径，内容只是路径上的填充物。
元认知是最容易被跳过的认知环节——ljg-learn 八维法的第八维"元反思"可以推广到任何 AI 协作场景：在得出结论之前，问自己"我为什么会这样看待这个问题？"
纯文本/纯 Markdown 是 prompt 技能的最佳载体——零依赖意味着高可迁移性。投资于 prompt 框架比投资于特定工具的特定功能更有长期回报。
技能的组合价值大于单体价值——23 个 skill 的价值不在于任何一个单独的 prompt，而在于它们构成的完整认知流水线。Read→Think→Write→Publish 的串联使每一段的产出都成为下一段的输入。