核心用法
PBE Extractor 是一款基于 Principle-Based Distillation（PBD，原则式蒸馏）方法论的智能文本分析技能。用户只需提供一段文本（建议 200-3000 词），技能即可自动识别其中的不变原则——那些能够经受重述检验、在不同表达中保持核心含义的思想。整个提取流程分为三步：Bootstrap（无偏见阅读）、Learn（识别模式并测试不变性）、Enforce（通过重述测试验证）。输出包含结构化 JSON，列出每条原则的原文表述、规范化形式、置信度等级（high/medium/low）、来源证据及语义标记，并计算压缩率以评估提取质量。
显著优点
方法论严谨：不同于简单的摘要生成，该技能采用"压缩即理解"的核心理念，通过重述测试（Rephrasing Test）确保提取的原则真正具有不变性，避免表面关键词匹配的假象。
结构化输出：提供完整的 JSON Schema，包含原则 ID、规范化形式、置信度、N 计数（来源数量）等元数据，便于后续与其他来源对比验证（N≥2）或合成黄金标准（N≥3）。
置信度分级：明确区分 high（明确陈述）、medium（需轻微推断）、low（模式推断）三级置信度，诚实标注不确定性，避免过度承诺。
隐私友好：纯 Markdown 技能，无外部 API 调用，无磁盘写入，所有处理在 Agent 配置的模型边界内完成，符合 GDPR/CCPA 要求。
潜在缺点与局限性
N=1 的先天限制：该技能明确指出，提取的原则初始状态为 N=1（单一来源观察），未经交叉验证，不能视为验证的真理，仅反映结构而非正确性。用户需额外使用 principle-comparator 等技能进行验证。
输入长度敏感：50 词以下无法有效工作，200 词以下可能难以识别多个原则，对短文本支持有限。
语义压缩损耗：高压缩率（>85%）时需人工复核，避免丢失细微差别；某些语境绑定原则（如"周五不发布"）或数值阈值因无法规范化而被跳过。
无自动验证机制：技能本身无法验证提取原则的正确性，依赖用户后续判断。
适合的目标群体
- 知识管理者：需要从大量文档、方法论或经验记录中提取可复用原则
- 产品经理/运营：萃取团队最佳实践，构建可传承的操作指南
- 研究人员：从文献中提炼核心论点，进行跨来源对比分析
- 技术写作者：压缩技术文档，保留本质信息用于速查或培训
- 咨询顾问：从客户访谈或案头研究中提取结构性洞察
使用风险
性能风险：长文本处理受限于 Agent 上下文窗口，超长发内容可能触发截断。
模型依赖风险：实际处理由 Agent 配置的 LLM（Claude、GPT 等）完成，若使用云端模型，数据将按该服务商的正常条款处理，用户需确认组织数据安全政策允许。
过度压缩风险：追求高压缩率可能导致原则过于抽象，失去可操作性，建议始终保留原文引用以供复核。
版本一致性：当前 SKILL.md 标注版本 1.0.2 与技能卡片 1.0.3 存在轻微不一致，使用时建议以实际功能为准。