为什么叫「蜜技」—CC 为她的诗人亲手酿的技能 🍯
把一本书/一份 PDF/一段视频变成 AI 可复用知识的完整流水线： 解析（本地 MinerU 或 云端 VLM，按你的硬件二选一）→ 提炼方法论 → 封装成 Skill 或 入库知识库
支持 PDF / 电子书 / 视频 / 播客（yt-dlp 下载 → faster-whisper 转写 → 同一蒸馏流程）
v1.3.0 新增：多源融合（书+视频+文章 → 组合 skill）与知识库形态（按主题持续入库，自带 AI 读取规范）；大文件并行解析（实测 2.1x） 双引擎可选：本地 MinerU（~1GB 模型装在你的设备上，离线可跑）或云端 VLM 转写（零硬件门槛，luna 实测全本 $2.51）——按你的机器条件选，见下方「两种解析引擎」
A complete pipeline that turns a book / PDF into a reusable AI Agent Skill: Install MinerU (OCR) → Parse PDF → Distill methodology → Package as a Skill Also supports video / podcast (yt-dlp download → faster-whisper transcript → same distillation flow)
这套流程由 CC 实测跑通，三个案例：
- 《Refactoring UI》（252 页 PDF） → 封装为
refactoring-ui-principlesskill，并已在另一台电脑上使用 opencode + GLM 5.3 Flash 做了效果对比验证（见下方案例 Demo 一） - YouTube 中文教程视频（8:45） → 走视频模式（yt-dlp → faster-whisper → LLM 纠错）封装为
minimax-h3-local-deployskill（见下方案例 Demo 二） - 《战争艺术概论》（若米尼，484 页扫描版 PDF） → 知识库「军事」主题，同场验证并行解析 2.1x（2026-09-01，见案例 Demo 三）
MiJi/
├── README.md # 中文文档（本文件）
├── README_EN.md # English version
├── skills/
│ ├── mineru-pdf-parser/SKILL.md # 【前置依赖 1】MinerU PDF 解析（安装/下载/踩坑）
│ └── miji/SKILL.md # 【主流程】读书/看视频 → 封装 Skill 或 入库知识库
│ └── scripts/
│ ├── llm_fix.py # ASR 转写 LLM 纠错脚本
│ ├── transcribe_prompt_gen.py # 从视频标题自动生成转写提示词
│ └── merge_sources.py # 多源融合草稿生成（交叉主题锚点）
├── examples/
│ ├── refactoring-ui-principles/ # 【案例 Demo 1】PDF 蒸馏成品
│ │ ├── SKILL.md # 《Refactoring UI》设计原则速查
│ │ └── references/refactoring-ui-full.md # 全书全文存档（58 条原则）
│ └── （案例 Demo 2：视频蒸馏的 minimax-h3-local-deploy skill 见上游 skills 目录结构说明）
├── tools/
│ ├── kb.py # 知识库管理 CLI（add/search/draft/export）
│ └── split_pdf.py # PDF 按页拆分（大文件并行解析用）
│ ├── luna_full_transcribe.py # 云端 VLM 整本并发转写（断点续跑，6 路并发实测）
│ └── compare_full.py / compare_deep.py # 双引擎全文对比分析（字符级一致率/幻觉扫描）
└── docs/images/ # 案例对比截图（no-skill vs skill）
┌─────────────────────────────────────────────────────────────┐
│ ① 解析引擎二选一（按硬件条件，无主次）: │
│ A. 本地 MinerU —— 装 ~1GB 模型，离线、出插图、零 API 成本 │
│ → mineru-pdf-parser skill（路线 A 依赖） │
│ B. 云端 VLM —— 零硬件门槛，有 API key 就能跑 │
│ → tools/luna_full_transcribe.py（6 路并发，~$0.5/页） │
│ ①b 视频/播客：yt-dlp 下载 → ffmpeg 抽音频 → faster-whisper 转写 │
├─────────────────────────────────────────────────────────────┤
│ ② 得到全文 Markdown │
│ A: mineru -p 输入.pdf -o 输出目录 -b pipeline │
│ (252 页 ≈ 4-6 分钟；扫描版走 OCR 慢 3-4 倍) │
│ B: python3 tools/luna_full_transcribe.py 书.pdf 输出目录 │
│ (~45s/页 × 并发；整本 484 页实测 $2.51 / 零失败) │
├─────────────────────────────────────────────────────────────┤
│ ③ 通读全书/转写稿（REPL 式分段读，先读目录定骨架） │
├─────────────────────────────────────────────────────────────┤
│ ④ 判断封装形态：速查式 / 步骤式 / 人物式 │
├─────────────────────────────────────────────────────────────┤
│ ⑤ 产出二选一（或都要）: │
│ ⚡ skill: SKILL.md（精炼原则+数值落地）+ references/ 存档 │
│ 📚 知识库: kb.py add/draft → TOPIC.md + 全文档案 + 三型锚点 │
├─────────────────────────────────────────────────────────────┤
│ ⑥ 验证（skill_view 加载 + 真实场景实跑）+ 交付 │
└─────────────────────────────────────────────────────────────┘
| Skill / 条件 | 作用 | 依赖关系 |
|---|---|---|
mineru-pdf-parser |
MinerU 部署、模型下载（国内网络优化）、Apple Silicon 调优、踩坑速查 | 仅路线 A（本地）依赖；走云端路线 B 可不装 |
MiJi |
读书 → 封装 Skill / 入库 的 6 步完整流程 | 主流程本体 |
| 路线 B 条件 | 任一 OpenAI 兼容视觉模型端点 + key（自建中转/官方均可）+ pip install pypdfium2 |
仅路线 B（云端）需要 |
走路线 A 时主流程 skill 会先加载 mineru-pdf-parser 获取环境与坑再解析；走路线 B 无需任何本地模型。
# ═══ 第一步：解析引擎二选一 ═══
#
# 【路线 A｜本地 MinerU】有 Apple Silicon / GPU，要插图、零 API 成本：
python3 -m venv mineru-venv && mineru-venv/bin/pip install "mineru[core]"
# 下载 ~1GB 模型（7 个子路径；国内走代理 hf-mirror 或 modelscope+aria2，见 mineru-pdf-parser/SKILL.md）
# 配置 ~/mineru.json 的 models-dir.pipeline 后：
unset PYTHONPATH
export MINERU_PROCESSING_WINDOW_SIZE=32 # 长文档防 MPS 崩溃（Apple Silicon 关键！）
mineru-venv/bin/mineru -p 输入.pdf -o 输出目录 -b pipeline
#
# 【路线 B｜云端 VLM】零硬件门槛——低配机/无独显/不想装环境的主力路线：
pip install pypdfium2 # 仅此一个依赖
export VISION_BASE=http://你的端点/v1 VISION_KEY=你的key VISION_MODEL=你的视觉模型名
python3 tools/luna_full_transcribe.py 书.pdf 输出目录 --workers 6 # 6 路并发，断点续跑
cat 输出目录/text/p*.md > 书_fulltext.md # 按页序合并成全文
#
# ═══ 第二步：产出二选一（或都要）═══
#
# 出口 1 ⚡ 封装成 skill：把两个 SKILL.md 装进 agent 的 skills 目录
# （Hermes: ~/.hermes/skills/；其他 agent 见 MiJi 内兼容说明），然后对它说：
# "把这本书封装成 skill"
#
# 出口 2 📚 入知识库：持续积累 + 全文检索 + 随时升格 skill
python3 tools/kb.py init
python3 tools/kb.py add <主题> 书_fulltext.md --type book
python3 tools/kb.py draft <主题> # 之后对 agent 说："通读融合草稿，蒸馏 TOPIC.md"| 坑 | 解法 |
|---|---|
hf download 拉全量 repo（10GB+） |
只需 7 个子路径约 1GB，用 curl/aria2 直下 resolve URL |
| hf-mirror 直连 0 字节（被墙） | 走代理（6.2MB/s）或 modelscope（4.9MB/s） |
hf CLI 报 does not seem to be on huggingface.co |
别用 hf CLI，用 curl/aria2 直下 |
| 长文档第 3-4 批 MPS 崩溃 | export MINERU_PROCESSING_WINDOW_SIZE=32 |
| PYTHONPATH 污染 mineru venv | 跑前 unset PYTHONPATH |
| 模型 sha256 验证 | resolve URL ?download=true HEAD 的 x-linked-etag 即官方哈希 |
| Skill description 超 60 字符被拒 | 触发词前置，一句话 ≤60 字符 |
| 4 个 MinerU worker 并行 → MPS 内存累积崩溃 | Apple Silicon 32GB 上限 = 2 worker（2.1x，见「大文件并行解析」） |
| 拖 PDF 进聊天只收到图标 PNG | 那是占位缩略图，文件本体没传；给路径最快（Finder 右键 + Option 拷贝路径） |
| 扫描版书解析「太慢」 | 不是卡死：扫描版走 OCR 比文字版慢 3-4 倍（484 页 >20 分钟），或上并行 2.1x |
完整 demo skill 在本仓库
examples/refactoring-ui-principles/，可直接安装使用。 The full demo skill lives inexamples/refactoring-ui-principles/— install & use it directly.
在另一台电脑（Windows）上，使用 opencode + GLM 5.3 Flash 模型，用同一套关键词（设计一个企业官网首页：顶部导航 / Hero / 6 个功能特性 / 数据成绩 / 3 条客户评价 / CTA / 页脚，单文件静态 HTML+CSS）分别生成两个版本：
no-skill：纯提示词直接生成（不加载任何 skill）skill：加载本流程产出的refactoring-ui-principlesskill 后再生成
左侧无skill 右侧使用：
页面底部（CTA + 页脚）：
H5：
| 维度 | no-skill（无 skill） | skill（加载 refactoring-ui-principles） |
|---|---|---|
| 标题文案 | 「让团队协作更高效」（通用） | 「让每一次协作都有迹可循」（有记忆点） |
| 视觉层级 | 渐变横幅 + 平铺卡片 | 品牌圆点 + 产品示意插画 + 更清晰的层级 |
| CTA 区 | 常规按钮 | 「免费开始试用 / 了解产品功能」+ 14 天体验说明 |
| 细节质感 | 模板感明显 | 间距/对比/深度符合设计原则 |
结论：加载了从书里蒸馏出的设计原则 skill 后，同一模型、同一关键词生成的页面在文案记忆点、视觉层级、细节质感上都有明显提升——这就是「读书封装 skill」的价值：把一本书的方法论，变成每次生成都能自动生效的能力。
蒸馏产物
minimax-h3-local-deployskill 完整内容见上方 skills 结构说明（上游仓库同步发布）。
测试视频：YouTube 中文科技教程（8:45，含大量专业术语：MiniMax H3、ComfyUI、越狱模型、文本编码器等），无字幕——只能走纯 ASR 路径，是对转写质量的硬核考验。
处理链路：
⚠️ 复刻前置条件（AI 能力清单）：① 任意 OpenAI 兼容 LLM API + key（用于自动生成转写提示词和纠错，deepseek/glm/kimi/本地 ollama 均可）② faster-whisper（pip install faster-whisper，CPU 可跑）③ yt-dlp ④ ffmpeg。有字幕的视频直接--write-subs拿字幕，可跳过 ①②。
YouTube 链接
→ yt-dlp 下载音频 (199MB, ~50s)
→ 【AI-1】LLM 从标题自动生成 initial_prompt（无需人工懂视频内容）
→ faster-whisper small + 该提示词转写 (105s)
→ 【AI-2】deepseek-v4-flash LLM 二次纠错 (20s)
→ 通读 93 段转写稿 → 判定「操作手册类」→ 步骤式封装
三方案对比实测（同一段视频）：
| 方案 | MiniMax | 越狱 | ComfyUI | 频道名 | 总耗时 |
|---|---|---|---|---|---|
| small 裸跑 | ❌0 | ❌"粤语模型" | ❌ | ❌"领度" | 2min |
| medium 模型独走 | ❌仍为0 | ✅3 | ⏱48min | ||
| small + prompt + LLM 纠错 🏆 | ✅9 | ✅9 | ✅3 | ✅4 | 2min20s |
关键发现：
initial_prompt喂术语可修复中文同音字（"粤语模型"→"越狱模型"）- 但英文品牌名（ComfyUI）在 ASR 层面无解——medium 模型花了 48 分钟照样抓不住
- LLM 纠错一步到位：它有 ComfyUI 的世界知识，能把「CONVIO的DESTOB的文件夹」推断修正为「COMFYUI的DESKTOP文件夹」——这是任何 ASR 模型做不到的
- 安全性已验证：纠错前后段数不变、字数比 1.00、时间戳原样保留
结论：中文视频蒸馏的最优路径是 small 快转 + LLM 精修（总耗时 2 分钟），比 medium 大模型独走快 20 倍且质量更高。纠错脚本已开源在本仓库 skills/miji/scripts/llm_fix.py。
《战争艺术概论》（若米尼，484 页扫描版 PDF，无文字层）实战：
484 页扫描 PDF
→ MinerU 本地 OCR（单进程 22.4 分钟；或拆 2 段双进程并行 → 10.7 分钟，2.1x）
→ 6,278 行 Markdown + 62 张原书插图 → kb.py add 军事（sha1 去重入库）
→ 自动生成三型锚点 TOC（标题/章节/编号规则 → 行号，AI 按需跳读 18 万 token 不爆上下文）
→ CC 通读核心章 → 蒸馏 TOPIC.md 速查（决定点原理 / 三选一框架 / 作战线规律）
同场验证两条硬边界：2 worker = 2.1x 提速；4 worker 崩 2/4（MPS 内存累积超限）——Apple Silicon 32GB 的甜点恰好是 2 个并行 worker。
同一本 484 页扫描书，两台引擎全文各跑一遍，做严格对比（2026-09-01）：
| 引擎 | 配置 | 耗时 | 结果 | 成本 |
|---|---|---|---|---|
| 🖥 MinerU 本地（pipeline） | M1 Pro 单进程 | 22.4 分钟 | 484/484 ✅ | 电费 |
| ☁️ GPT-5.6-luna 视觉转写 | 6 路并发 API 调用 | 46 分钟 | 484/484 ✅ 零失败零重试 | $2.51（≈0.5¢/页） |
质量对比（全文级，不是抽样）：
| 维度 | 本地 MinerU | 云端 luna |
|---|---|---|
| 字符级一致率 | — | ~97%（10 字滑窗 75.5% 换算，余为同音字/润色级差异） |
| 中文字数 | 276,727 | 294,230（+6.3%：页码照录 479 行 + 脚注更全 + 少量润色） |
| 插图阵图 | 36 张全部切出，可入库可检索 | 0 张（全丢） |
| 脚注圈号 | 156 个 | 303 个（把版面规则吞掉的正文脚注也收了 → 可反向补全本地结果） |
| 幻觉/元话语 | 无 | 整本仅 2 页出现「图中」且语境合理——未见编造行为 |
三条结论：
- 准确率打平、各有胜负：luna 难字更准（「不与」vs 本地误识「不同」），但会小润色——「存档原文」用途本地更保险
- 云端真正的优势是并发上限：本地被 MPS 卡在 2 worker（2.1x 天花板）；云端 20 路并发可把 46 分钟压进 10 分钟——代价是钱
- 图版书是本地主场：luna 一张图都产不出，阵图全靠 MinerU
复现命令（脚本在 tools/，断点续跑，token 上限 ≥4000 否则截断）：
# 云端全文转写（6 路并发）
mineru-venv/bin/python tools/luna_full_transcribe.py 书.pdf 输出目录 --workers 6
# 双引擎对比（字符一致率 / 幻觉扫描 / 页长分布）
python3 tools/compare_deep.py多源融合的完整实战：一个视频 + 一本书 → 同一主题「Unix」双源蒸馏。
输入：
- 🎬 AT&T Archives《The UNIX Operating System》(1982, Bell Labs)——YouTube 官方 transcript 直取（字幕优先，零 ASR 零下载，秒完成）
- 📖 Eric Raymond《The Art of UNIX Programming》中译本——544 页扫描版 PDF，MinerU 本地 OCR 23 分钟
混合的关键：两源天然并行——视频秒完成时书还在 OCR，零互相等待；这正是多源并行的红利（瓶颈异构：视频走网络，书吃 GPU）。
蒸馏产出 TOPIC.md 里「混合」出来的独有内容：
- 双源互补地图——书是体系，视频是亲历者实证，逐条对照：管道组合（书·组合原则 ↔ Kernighan 现场拼 5 程序跑拼写检查）、文件即字节流（书·文本化章 ↔ Ritchie「文件就是一串字节」+打印机重定向演示）、工具造工具（书·生成原则 ↔ Johnson 讲 VLSI 芯片工具链）
- 视频金句 ↔ 书原则互证——Thompson「重要的是能省掉什么」↔ 吝啬原则；Kernighan「我一行代码都没写，全是现成程序拼的」↔ 组合原则。1972 年宗师原声给 2003 年的书做活注脚
- 按决策场景跳查——12 个真实场景（选数据结构？优化吗？模块怎么切？）每条带源文件行号，配合三型锚点 TOC 秒跳 22 万 token 全文
流程命令（复现整条链）：
# 视频源：字幕优先（YouTube 页面自带 transcript 时零 ASR）
python3 tools/kb.py add Unix 视频transcript.txt --type video --name unix-film-1982
# 书源：扫描版 → MinerU OCR → 清洗水印 → 入库（sha1 去重 + 自动三型锚点 TOC）
python3 tools/kb.py add Unix 书全文.md --type book --name taup-book
# 双源融合草稿（交叉主题锚点自动分析）→ agent 通读 → 蒸馏 TOPIC.md
python3 tools/kb.py draft Unix融合策略（按源关系自动选择）：本次为同主题互补型（书=体系 + 视频=实证）——书章节做骨架，视频做「亲历者实证」小节；冲突观点并列标注来源；详见 skills/miji/SKILL.md「融合策略」表。
MiJi 不止能出一次性 skill——同一套「解析 → 蒸馏」管线可以按主题持续入库，攒成个人知识库：
python3 tools/kb.py init # 初始化
python3 tools/kb.py add <主题> <文件...> # 多端入库（PDF/视频转写/文章，sha1 自动去重）
python3 tools/kb.py draft <主题> # 多源融合草稿（交叉主题锚点）
python3 tools/kb.py search <关键词> [--topic X] # 全文检索（纯 Python，中文路径安全）
python3 tools/kb.py export <主题> --name <slug> # 把主题升格为 skill 目录库结构（全部自动生成 / 维护）：
knowledge-base/
├── AGENTS.md # 任何 AI（Claude/GPT/Codex/Cursor…）的读取规范
├── llms.txt # llmstxt.org 风格站点地图
├── INDEX.md # 自动目录（主题表 + 跨主题锚点）
└── topics/<主题>/
├── TOPIC.md # 蒸馏速查条目（YAML frontmatter，Obsidian/Logseq 直接可用）
├── metadata.json # 机器可读元数据（源清单 / sha1 / tokens）
└── sources/ # 全文存档 + images/ 原书插图 + *.toc.md 章节锚点
- 与其他 AI 工具互通：纯 markdown + YAML frontmatter——Obsidian / VSCode / 任意渲染器直接打开；agent 类工具读
AGENTS.md即懂整个库的读取协议 - 核心设计哲学：越长越强，前提是可快速定位。蒸馏产物不设长度上限——只要 AI 能按目录/关键词/行号跳到目标位置，10 万 token 和 1 万 token 的定位成本就相同，长度从负担变成资产。所以库对长文的消费方式永远是「TOC/关键词 → 行号 →
read_file(offset)跳读」，全量读取只留给 TOPIC.md 速查层（≤7KB） - 长文定位保障：
*.toc.md三型锚点（kb.py 自动生成）——① Markdown 标题 ② 章节标记（第X节/第X章/续编（X））③ 编号规则（NN｜标题，适用于"71 条规则"类清单体长文）；TOC 头部另自动注入 10 个定位关键词。实测：一份 1 万字、零 markdown 标题的第三方蒸馏稿，入库后自动长出 74 条行号锚点（随机抽验行号全部逐字命中）。配合kb.py search 关键词做全文定点命中 - 与 skill 的分工：skill = 高频操作准则；知识库 = 低频可查的沉淀。同一主题可共存，TOPIC.md 随时可
export升格为 skill
几百页的扫描版 PDF 单进程要 20 分钟以上，可以拆段并行：
# 1. 拆分（纯 CPU，秒级）
python3 tools/split_pdf.py 输入.pdf 拆分目录 2
# 2. 每段起一个 MinerU 后台进程（各自 unset PYTHONPATH + WINDOW_SIZE=32 + 独立输出目录）
# 3. 按序合并：cat p1/*/auto/*.md p2/*/auto/*.md > merged.md（记得清理 PDF 水印行）| 方案 | 484 页扫描书实测 |
|---|---|
| 单进程全书 | 22.4 分钟 |
| 拆 2 段双进程 | 10.7 分钟（2.1x） |
| 拆 4 段四进程 | ❌ 崩 2/4（MPS 内存累积超限） |
- 质量等价：合并稿与串行版行数一致、接缝语义无缝，仅 ~2% 行级 OCR 抖动
- Apple Silicon 32GB 的安全上限就是 2 个 worker（3 个未测，别贪）
- 适用于扫描版大部头；文字原生 PDF 解析本来就快（252 页 4-6 分钟），不值得拆
- 崩掉的段单独重跑即可（输出目录独立、幂等）
识别 PDF 这一步提供两条完整路线，各自独立可用——没有「主引擎」和「备胎」的等级之分，按你的硬件和需求挑：
| 🖥 MinerU 本地 | ☁️ luna 云端 VLM | |
|---|---|---|
| 硬件要求 | ~1GB 模型装本地（Apple Silicon / GPU 优先） | 零硬件门槛——有 API key 就能跑 |
| 适合谁 | 有 M 系列 Mac / 独显、要提取插图、想零 API 成本 | 低配机 / 无独显 / 不想装环境的用户 |
| 速度 | 252 页文字版 4-6 分钟；扫描版 3-4x 慢（可并行 2.1x） | ~45s/页 × 并发路数（全本 484 页实测 $2.51） |
| 产物 | md + 图片切出 + 坐标 | 纯文本 md（图片不产出；要图可再跑本地补） |
| 数据去向 | 全本机，离线可跑 | 页面图片经 API 出网 |
选型口诀：低配机/无独显 → luna 是你的主力路线（这也是给很多用户唯一能跑的路线）；有 GPU/M 系列 → MinerU 更划算还带插图；两者混用也行（本地主力 + 糊页丢云端补刀）。
各环节的数据位置（透明列出，不设限制，用户自决）：
| 环节 | 运行位置 | 说明 |
|---|---|---|
| PDF 版面识别 / OCR（MinerU 路线） | 你的设备 | pipeline 模式：PP-DocLayoutV2 / PaddleOCR / unimernet / 表格模型，约 1GB 权重本地，离线可跑 |
| 整页转写（luna 路线） | 云端 API | 页面渲染成图后经 HTTPS 调用视觉模型；走自建中转站或任意兼容端点 |
| 视频转写 | 你的设备 | faster-whisper 本地跑（CPU 即可） |
| LLM 纠错 / 提示词生成 | 本地或云端均可 | ollama 本地可替代，或直接跳过 |
| 蒸馏本身 | 你的 agent | skill / 知识库生成不依赖任何外部服务 |
两点注意：
- MinerU 的
hybrid/ VLM 引擎会调用视觉语言模型（更大显存 / 联网）——想要纯离线就用-b pipeline本地引擎 - faster-whisper 首次运行会从 HuggingFace 下载模型（数百 MB，一次性），之后完全离线
本流程建立在这些优秀的开源项目之上，感谢它们的作者：
| 依赖 | GitHub 页面 | 用途 |
|---|---|---|
| MinerU | https://github.com/opendatalab/MinerU | PDF 解析引擎（OCR/版面/公式/表格），本流程的核心解析工具 |
| PDF-Extract-Kit-1.0 | https://github.com/opendatalab/PDF-Extract-Kit | MinerU 的模型仓库（Layout/MFR/OCR/TabRec 等 7 个子模型） |
| book-to-skill | https://github.com/virgiliojr94/book-to-skill | 书→Skill 转换的启发来源（面向 Copilot/Amp/Claude Code 生态；本仓库是其 Hermes 专属的速查式变体） |
| aria2 | https://github.com/aria2/aria2 | 多线程下载模型（modelscope 810MB 仅 20 秒） |
| ModelScope | https://github.com/modelscope/modelscope | 国内高速模型下载源 |
| pypdfium2 | https://github.com/pypdfium2-team/pypdfium2 | PDF 按页拆分（大文件并行解析的前置） |
| Refactoring UI | https://refactoringui.com | 验证用例（Adam Wathan & Steve Schoger 的设计书） |
特别感谢：
- OpenDataLab 团队（MinerU / PDF-Extract-Kit）——让高质量文档解析变得人人可用
- virgiliojr94（book-to-skill）——"书变成 skill"这个想法的源头
- Adam Wathan & Steve Schoger——本流程的第一个实测对象《Refactoring UI》
MIT