edith-distillator

name	edith-distillator
description	EDITH 分支 Skill。无损文档蒸馏压缩，将 EDITH 索引的文档压缩为 Agent 可高效消费的精简版。是 EDITH "索引不倾倒"原则的工具化实现。支持语义拆分、EDITH 技能蒸馏模式和往返验证。

Edith Distillator — 文档蒸馏引擎

EDITH 的分支 Skill，是 EDITH 工作原则 "索引不倾倒" 的工具化实现。将 document-project 扫描生成的大量文档压缩为 Agent 可高效消费的精简版，无损压缩而非摘要。

在 EDITH 中的定位

EDITH 文档生命周期：

  代码考古（document-project）
    ↓ 生成全套项目文档（可能很大）

  文档蒸馏（本 Skill）           ← 你在这里
    ↓ 压缩为 Agent 可消费的精简版
    ↓ 按主题拆分，每个模块/服务一个分片
    ↓ 每个分片自包含，Agent 按需加载

  技能生成（EDITH BOOTSTRAP SKILLS）
    ↓ 蒸馏版 → Repo Skill / Workflow Skill / Source Skill Stub

与 EDITH 理念的对应：

EDITH 工作原则	本 Skill 的实现
索引不倾倒	无损压缩，只保留信号，去除冗余
模式优先于日志	提取决策、约束、关系，不是流水账
仓库真相留在仓库	蒸馏版指向源文件，不替代它
为交接而构建	蒸馏版自包含，新 Agent 可直接使用

核心概念

• 摘要（Summarization）：有损的，丢掉细节
• 蒸馏（Distillation）：无损的，保留每个事实、决策、约束，只去掉 Agent 不需要的冗余

典型压缩比 3:1 以上，大幅减少 token 消耗。

---

触发方式

当用户说：

• "蒸馏这些文档"
• "压缩项目文档"
• "把文档精简给 AI 用"
• "生成蒸馏版"
• "为 EDITH 蒸馏"

---

启动参数

参数	必须	说明
source_documents	是	文件路径、目录路径或 glob 模式
downstream_consumer	否	下游用途（如 "PRD 创建"、"架构设计"），用于判断什么该留什么该去
token_budget	否	目标 token 数，超出则触发语义拆分
output_path	否	输出路径，默认在源文件旁生成 -distillate.md
--validate	否	生成后做往返验证（代价高，仅关键文档使用）
--edith-mode	否	EDITH 技能蒸馏模式（见下方说明）
--quick-ref	否	速查卡模式，生成 Layer 1 速查卡（~5% 源文，<2000 token）

速查卡模式（--quick-ref）

生成极速参考卡（Layer 1），目标压缩至源文的 ~5%。

--quick-ref 与 --edith-mode 正交：

• --edith-mode 控制为谁蒸馏（下游消费者身份）
• --quick-ref 控制输出多细（输出粒度）
• 两者可组合：--quick-ref --edith-mode=repo-skill = 为 Repo Skill 生成速查卡版本

命令	输出
distillator source.md	完整蒸馏版（~30%）
distillator --quick-ref source.md	通用速查卡（~5%）
distillator --edith-mode=repo-skill source.md	Repo Skill 蒸馏版（~15%）
distillator --quick-ref --edith-mode=repo-skill source.md	Repo Skill 速查卡（~5%，偏向接口和验证）

速查卡使用固定结构（不按主题分组）：

• Verify：精确的构建/测试/运行/lint 命令
• Key Constraints：Top 5 硬约束
• Pitfalls：Top 5 易错点（格式："症状 — 原因"）
• API Endpoints：表格，每行一句话（无 schema）
• Data Models：每模型一行（名称 + 用途 + 2-3 关键字段）
• Deep Dive：指向完整蒸馏版分片的路径

速查卡输出到 {name}-quick-ref.md，与蒸馏版同级目录。 压缩规则见 resources/quick-ref-rules.md。

EDITH 技能蒸馏模式（--edith-mode）

当指定 --edith-mode 时，自动根据目标技能类型调整蒸馏策略：

模式值	downstream_consumer 等效	保留重点	去除重点
repo-skill	edith-repo-skill	接口契约、数据模型、构建命令、关键约束	环境搭建细节、迁移历史、所有 TODO
workflow-skill	edith-workflow-skill	业务流程、阶段定义、集成点、成功标准	代码实现细节、文件路径
source-skill	edith-source-skill	访问路径、搜索策略、路由规则、Owner	具体内容、配置细节
entry	edith-entry	路由表、快速参考、模块索引	所有详细内容

EDITH 模式下的额外规则：

• 源文件路径必须是相对路径（保证蒸馏版可移植）
• 每个分片开头必须包含 "本分片对应 EDITH 技能：{类型}"
• 不确定的内容保留但标注 [未确认]，不删除

---

执行流程

Stage 1：分析

分析源文件：

• 统计文件数量和大小
• 估算 token 数（约 4 字符 = 1 token）
• 检测文档类型（brief、PRD、架构文档、研究笔记等）
• 按命名关联分组（如 brief + discovery-notes）
• 决定路由策略：
  • single：≤3 文件 且 ≤15K token → 单次压缩
  • fan-out：>3 文件 或 >15K token → 分组压缩后合并

Stage 2：压缩

提取

从所有源文档中提取每一个离散信息：

• 事实和数据点（数字、日期、版本、百分比）
• 决策及其理由
• 被拒绝的方案及原因
• 需求和约束（显式和隐式）
• 实体间的关系和依赖
• 命名实体（产品、公司、技术）
• 未决问题和待办事项
• 范围边界（包含/排除/延期）
• 成功标准和验证方法
• 风险和机会

去重

• 同一事实多次出现 → 保留上下文最丰富的版本
• 同一概念不同详细程度 → 保留详细版
• 重叠列表 → 合并去重
• 源文档冲突 → 明确标注："文档 A 说 X；文档 B 说 Y — 未解决"

过滤（仅在指定了 downstream_consumer 时）

• 丢弃与下游用途明显无关的内容
• 永不丢弃：决策、被拒方案、未决问题、约束、范围边界

主题分组

按源内容自然分组，不用固定模板。常见分组：

• 核心概念/问题/动机
• 方案/架构
• 用户/角色
• 技术决策/约束
• 范围边界
• 被拒方案
• 未决问题
• 风险和机会

压缩语言

应用压缩规则（见 resources/compression-rules.md）：

• 删除过渡语和修辞
• 删除犹豫和模糊表达
• 删除常识解释
• 保留具体细节（数字、名称、版本）
• 每条信息自包含，无需阅读源文档即可理解

Stage 3：输出

单文件蒸馏版（≤5000 token）

---
type: edith-distillate
sources:
  - "相对路径/到/源文件1.md"
  - "相对路径/到/源文件2.md"
downstream_consumer: "用途说明"
created: "日期"
token_estimate: 估算token数
parts: 1
---

## 主题1
- 密集信息点1
- 密集信息点2; 关联信息点3

## 主题2
- 密集信息点4

拆分蒸馏版（>5000 token 或 token_budget 要求）

{名称}-distillate/
├── _index.md           # 导向、跨主题项、分片清单
├── 01-{主题slug}.md    # 自包含的主题分片
├── 02-{主题slug}.md
└── 03-{主题slug}.md

_index.md 包含：

• 3-5 条引导信息（蒸馏了什么、从哪些文件、给谁用、几部分）
• 分片清单：每个文件名 + 一行描述
• 跨主题项

每个分片自包含：

• 1 行上下文头：本分片覆盖 [主题]。第 N/M 部分。
• 按主题组织的密集信息点

速查卡输出（--quick-ref）

---
type: edith-quick-ref
layer: 1
target_service: "服务名"
sources:
  - "相对路径/到/源文件.md"
created: "日期"
token_budget: 2000
---

固定结构（不按主题分组）：

• Verify: 构建命令 / 测试命令 / 运行命令 / Lint 命令（可复制粘贴）
• Key Constraints: Top 5 不可违反的约束
• Pitfalls: Top 5 易错点（"症状 — 原因"）
• API Endpoints: Method / Path / Purpose 三列表，每行一句话
• Data Models: 每模型一行（名称 + 用途 + 2-3 关键字段）
• Deep Dive: 指向完整蒸馏版分片的路径

输出到 {name}-quick-ref.md，严格 <2000 token。

Stage 4：往返验证（仅 --validate）

可选，用于验证蒸馏版是否真的无损：

1. 将蒸馏版交给一个没有看过源文档的 Agent
2. 让它从蒸馏版反推出源文档
3. 对比反推结果和原始文档：
   • 核心信息是否保留？
   • 具体细节（数字、名称）是否准确？
   • 关系和理由是否完整？
   • 是否有编造的内容？
4. 生成验证报告

---

输出格式规则

• 只用 ## 标题和 - 列表项
• 没有散文段落
• 没有装饰性格式（加粗强调、分割线）
• 没有重复信息
• 每条信息自包含
• 用分号连接紧密相关的短信息

---

压缩规则速查

完全删除

• 过渡语："如前所述"、"值得注意的是"
• 修辞："这是颠覆性的"、"令人兴奋的是"
• 犹豫："我们认为"、"可能"、"似乎"
• 自指："本文描述了"、"如上所述"
• 常识解释
• 重复引入同一概念
• 格式装饰

必须保留

• 具体数字、日期、版本、百分比
• 命名实体
• 决策及理由（压缩为："决策：X。理由：Y"）
• 被拒方案及原因
• 明确约束和不可妥协项
• 依赖和顺序关系
• 未决问题
• 范围边界
• 风险及严重程度

转换规则

• 散文段落 → 单条密集信息点
• "我们决定用 X 因为 Y 和 Z" → "X（理由：Y, Z）"
• 重复分类标签 → 合并到同一标题下
• 多句解释 → 分号分隔压缩形式
• 详细列举 → 括号列表："平台（Cursor, Claude Code, Windsurf）"

---

语义拆分策略

当必须拆分时，按自然语义边界而非大小：

1. 识别自然边界：不同问题域、不同视角、时间边界、范围边界
2. 分配信息到分片：跨分片的放 _index.md，分片特定的放分片
3. 每个分片自包含：只加载一个分片就能理解该主题
4. 大小目标：每个分片 3000-5000 token

---

典型使用场景

场景1：压缩项目文档给 Agent 用

输入：docs/ 目录下的所有文档（架构、API、数据模型等，共 30K token）
输出：docs-distillate/（压缩到约 10K token，按主题拆分）
用途：Agent 开发新功能时只加载相关分片

场景2：压缩需求文档

输入：PRD + 用户研究笔记 + 竞品分析（共 20K token）
输出：product-distillate.md（压缩到约 6K token）
用途：架构设计时作为上下文输入

场景3：压缩会议记录

输入：5 份会议纪要（共 8K token）
输出：meetings-distillate.md（压缩到约 2.5K token）
用途：提取决策和行动项，丢弃过程讨论

场景4：生成速查卡（Layer 1）

输入：某微服务的蒸馏版（约 10K token）
输出：<service>-quick-ref.md（压缩到约 500-2000 token）
用途：日常开发时快速参考，不需要完整蒸馏版
命令：distillator --quick-ref distillates/<service>/

场景5：三层加载完整流程

1. document-project 扫描老项目 → 全套文档
2. distillator --edith-mode=repo-skill → 蒸馏版（按主题拆分）  ← Layer 2
3. distillator --quick-ref → 速查卡                              ← Layer 1
4. 从速查卡提取路由信息 → 路由表                                    ← Layer 0

---

与 document-project 的配合

1. document-project 扫描老项目 → 生成全套文档（可能很大）
2. distillator 蒸馏压缩 → 生成 Agent 可高效消费的精简版
3. Agent 工作时 → 按需加载蒸馏版的对应分片