CangjieSkills 正式开源：为仓颉 AI 编程打造的“技能增强“方案，实测降低 60% 费用

编程语言Lab

267人浏览 · 2026-03-18 17:07:03

编程语言Lab · 2026-03-18 17:07:03 发布

降低 60% 费用，提升代码质量

—— 基于 OpenCode + GLM5 的对比验证

🎉 正式开源

CangjieSkills 现已正式开源！

作为 Cangjie-SIG 推出的仓颉语言 AI 编程增强方案，我们向社区开放完整的技能库体系和构建工具，帮助开发者在 AI 辅助编程场景下显著降低成本、提升代码质量。

📦 开源地址：

CangjieSkills（技能库）：https://gitcode.com/Cangjie-SIG/CangjieSkills
DocFlow（知识蒸馏工具）：https://gitcode.com/Cangjie-SIG/DocFlow

🤔 背景：AI 编程的痛点

当前基于大模型的代码生成方案普遍面临两个核心问题：

1️⃣ 成本高昂

直接检索原始文档导致 Token 消耗巨大，长文档场景尤为明显。

2️⃣ 质量不稳

模型被海量原始文本干扰，难以精准捕捉关键 API 和最佳实践。

CangjieSkills 正是为解决这些问题而生。它通过结构化的"技能知识库"替代原始文档检索，在保持代码质量的同时显著降低调用成本。

🏗️ 核心架构：从"文档检索"到"技能注入"

┌─────────────────┐     ┌──────────────────┐     ┌─────────────────┐
│   原始文档源     │────▶│  DocFlow 知识蒸馏 │────▶│ 结构化技能库    │
│ (仓颉官方文档等) │     │  (三阶段提取)     │     │ (CangjieSkills) │
└─────────────────┘     └──────────────────┘     └─────────────────┘
                                                          │
                              ┌───────────────────────────┘
                              ▼
                    ┌─────────────────┐
                    │   OpenCode /    │
                    │   GLM5 等模型    │
                    │  + Skills 注入   │
                    └─────────────────┘
                              │
                              ▼
                    ┌─────────────────┐
                    │   高质量仓颉代码  │
                    │  (低成本、高可用) │
                    └─────────────────┘

CangjieSkills 与 DocFlow 形成完整闭环：

DocFlow：负责将原始技术文档蒸馏为结构化知识点（RAG-Docs-Writer 系统）
CangjieSkills：提供经过验证的、可直接注入模型的技能单元

📊 实测数据：OpenCode + GLM5 对比测试

我们在 完全相同的任务书 和 完全相同的测试用例 下，对比了两种方案：

对比维度	原始文档检索方案	CangjieSkills 方案	提升幅度
平均 Token 消耗	基准值	降低 60%	⬇️ 成本大幅优化
代码一次通过率	基准值	显著提升	✅ 质量更优
API 使用准确性	偶有幻觉	精准匹配	🎯 更可靠

💡 测试条件：全程无人工干预，基于 OpenCode 和 GLM5 模型，每组任务使用相同 Prompt 和测试用例。

🧪 测试任务详解：四个真实开发场景

1️⃣ JsonParser（JSON 解析器）

任务描述：实现一个完整的 JSON 解析库，支持对象、数组、字符串、数字、布尔值、null 的解析与序列化。

技术难点：

递归下降解析器的错误恢复机制
Unicode 转义字符处理（\uXXXX）
数字精度控制（整数 vs 浮点数）

Skills 优势：

✅ 直接注入仓颉字符串处理最佳实践
✅ 提供 Int64/Float64 精确转换模式
✅ 避免模型在原始文档中"迷失"于标准库细节

2️⃣ KalmanFilter（卡尔曼滤波器）

任务描述：实现一维和二维卡尔曼滤波算法，用于传感器数据降噪。

技术难点：

矩阵运算的仓颉实现（无原生矩阵库）
数值稳定性处理（协方差矩阵对称性保持）
预测-更新循环的正确时序

Skills 优势：

✅ 直接提供仓颉数学运算优化技巧
✅ 明确 Array<T> 与向量化操作的性能权衡
✅ 避免模型生成不存在的矩阵运算 API

3️⃣ AIChat（AI 对话客户端）

任务描述：实现一个支持流式输出的 AI 对话客户端，支持历史记录管理。

技术难点：

异步流式响应处理（AsyncSequence 正确使用）
HTTP 长连接管理
对话状态的持久化存储

Skills 优势：

✅ 精准提供仓颉异步编程模式（async/await）
✅ 明确网络库（http package）的正确用法
✅ 避免模型混淆仓颉与 Kotlin/Swift 的异步语法差异

4️⃣ Cangjie 简单子集解释器（基于 LuaVM）

任务描述：实现一个 Cangjie 语言子集的解释器，可嵌入 LuaVM 执行。

技术难点：

词法分析器（Lexer）的状态机设计
语法树（AST）的仓颉类型建模
与 LuaVM 的 C 接口绑定（foreign 函数）

Skills 优势：

✅ 直接注入仓颉 foreign 接口绑定规范
✅ 提供代数数据类型（ADT）建模 AST 的最佳实践
✅ 避免模型在 FFI（外部函数接口）调用上产生幻觉

🔬 技术原理：为什么 Skills 更有效？

📈 信息密度优化

方案	信息形式	信噪比	模型负担
原始文档检索	完整 Markdown/HTML	低	高（需自行提取关键信息）
CangjieSkills	结构化知识点	高	低（直接注入可用信息）

DocFlow 三阶段提取确保 Skills 质量：

🔥 主提取：识别核心 API、配置项、重要概念
🔄 补充提取：挖掘边界限制、性能暗示、异常契约
🛡️ 幻觉审核：事实核查、准确性验证、错误清洗

🗜️ 上下文压缩

原始文档可能包含：

版本历史
平台差异说明
不相关的示例代码
冗余的描述性文字

Skills 只保留：

API 签名与约束
关键使用模式
常见错误规避
性能优化提示

🎯 模型适配优化

针对不同模型（OpenCode、GLM5 等），Skills 提供：

精确的上下文窗口适配：确保关键信息不超出模型上下文限制
Prompt 优化模板：针对代码生成任务调优的指令格式
Few-shot 示例：经过验证的仓颉代码模式

🚀 使用方式

方式一：直接集成（推荐）

CangjieSkills 仓库：

https://gitcode.com/Cangjie-SIG/CangjieSkills

提供：

📦 预构建的仓颉语言技能库（JSON 格式）
📋 技能库版本与仓颉编译器版本对应表
📖 快速集成指南（OpenCode / GLM5 / 其他模型）

方式二：自定义蒸馏

使用 DocFlow 构建自定义 Skills：

https://gitcode.com/Cangjie-SIG/DocFlow

支持：

📝 自定义文档源（Git 仓库、本地目录）
🤖 多模型蒸馏（DeepSeek、Qwen 等）
⚙️ 质量控制（密度阈值、幻觉审核档位可调）

🎯 适用场景

场景	推荐方案	说明
🛠️ 通用仓颉开发	CangjieSkills 预构建库	开箱即用，覆盖标准库和常见模式
📱 特定领域开发（如鸿蒙应用）	DocFlow 自定义蒸馏	基于官方文档生成领域专属 Skills
🏢 私有框架开发	DocFlow + CangjieSkills	先蒸馏私有文档，再合并公共 Skills
🎓 教学/培训	CangjieSkills 精简版	针对初学者优化，减少认知负担