核心用法
Essence Distiller 帮助用户从复杂内容中提取"承重思想"——即通过"重述测试"的核心原则：若一个想法可用完全不同的词汇表达而意义不变，则它是本质性的。用户只需提供内容（建议200+词），技能将输出：核心原则列表、置信度评级（高/中/低）、原文证据、压缩率及可追踪的源哈希。
显著优点
方法论的严谨性：采用"重述测试"区分原则与措辞，避免将表面相似当作意义相同；规范化机制（保留用户原话+生成通用形式）支持跨来源比对。
透明的设计哲学：明确标注置信度、N计数系统（N=1单来源，N=2验证，N≥3不变量）、以及下一步操作建议，引导用户理性使用而非盲目采信。
隐私友好：无外部API调用，仅使用代理配置的模型处理数据。
生态整合：与 pattern-finder、core-refinery 等技能形成验证-合成-追踪的完整工作流。
潜在局限
依赖源质量：50词内容难以产出多个原则；结构混乱的文本可能"无法找到原则"。
非真理性工具：明确声明"提取的是模式而非事实"，需用户自行判断真伪，高置信度≠正确性。
单源脆弱性：默认N=1，原则需主动使用配套技能验证，否则可能只是作者偏见。
规范化风险：虽标记drift状态，但抽象过程可能丢失语境特异性（如"周五不发布"被过度泛化）。
适合人群
- 研究者/分析师：需要从方法论文档、访谈记录中提取结构化洞察
- 写作者/编辑：压缩内容同时保留核心论证
- 知识管理者：构建可跨来源验证的原则库
常规风险
过度抽象陷阱：用户可能将提取的原则当作"标准答案"，忽视原文 nuance；技能文档已用免责声明和 N 计数系统 mitigation，但仍需用户保持警觉。
确认偏误放大：若源文本本身有偏见，提取过程会将其包装成"原则"形式，看似更权威。
数据流透明性：虽无第三方API，但若代理使用云模型（Claude/GPT），内容仍流经该服务——用户需理解其配置环境的信任边界。