这篇文章介绍了你能被装进一个文件里吗？——7 万人把同事"蒸馏"成了 AI，分享给大家做个参考，收藏极客资料网收获更多编程知识

你能被装进一个文件里吗？——7 万人把同事"蒸馏"成了 AI

2026 年清明节刚过，我的朋友圈被一个 GitHub 项目刷屏了。GitHub 是全球最大的代码托管平台，程序员们在上面分享自己的项目，别人觉得好就点一个 Star——相当于点赞加收藏。

项目名字很直白——"同事.skill"。它干的事也很直白：你把离职同事的飞书聊天记录、工作文档、代码提交历史丢进去，AI 帮你"蒸馏"出一个数字分身。这个分身能用你同事的语气回答技术问题，能按你同事的习惯写代码，甚至能模仿他在群里甩锅的方式。

5 天，近 7 万 Star。作为对比，一个热门开源项目一年能拿到 1 万 Star 就算相当成功了。

然后事情开始变得有意思——不，应该说开始变得复杂。有人做了"前任.skill"，把和前任的微信聊天记录扔进去，AI 能模拟前任的说话方式跟你聊天。有人做了"女娲.skill"，号称可以蒸馏任何公众人物的思维框架。有人做了"yourself.skill"，蒸馏你自己。还有人做了"反蒸馏.skill"——专门在你上交的 Skill 文件里注水，保护你的核心知识不被抽走。

最让人不安的是"张xue峰.skill"。有人从张xue峰的 5 本著作、15 条深度采访和 30 条公开语录中，提炼出了他的咨询框架和说话方式。问题是——张xue峰已于 2026 年 3 月 24 日因心源性猝死去世。他从未同意被"蒸馏"。

我盯着这些项目看了很久，脑子里只有一个问题：

一个人真的能被"装进"一个文件吗？文件里装的到底是什么？没装进去的又是什么？

这篇文章，我想和你一起把这件事拆开来看。

先搞清楚背景：Skill 是个什么东西？

在聊"蒸馏一个人"之前，我们得先搞清楚"Skill"这个概念从哪来的。不然后面的讨论全是空中楼阁。

Skill（技能包），简单说，就是一份告诉 AI"你应该怎么做某件事"的说明书。它是一个文本文件（通常是 Markdown 格式——一种用 #、- 等简单符号做排版的纯文本格式，程序员写文档最常用），里面写着规则、流程、风格要求和示例。AI 读了这份说明书之后，就能按照里面的要求来工作。

打个比方：你新招了一个实习生，聪明但什么都不懂。你给他一份详细的工作手册——"代码命名用驼峰式"、"和客户说话要先确认需求再给方案"、"遇到不确定的问题先问组长"。实习生照着手册干活，能干得像模像样。Skill 文件就是这份工作手册，AI 就是那个聪明的实习生。

这东西的历史是这样的：

• 2025 年 10 月，Anthropic（开发 AI 对话助手 Claude 的公司，可以理解为 ChatGPT 的主要竞争者之一）发布了 Agent Skills 功能，让用户可以给 AI 写技能包
• 2025 年 12 月，Anthropic 把 Skill 发布为开放标准，意味着任何 AI 工具都可以读取和使用同一份 Skill 文件
• 2026 年 1 月，主流开发工具——Cursor、VS Code、Codex CLI（这些都是程序员日常写代码用的软件）全面支持 Skill 格式，Skills Marketplace 收录超过 70 万个技能包
• 2026 年 4 月，"同事.skill"破圈，Skill 从程序员圈子走进了大众视野

在这之前，Skill 主要用来教 AI 写代码、做数据分析、跑工作流。比如你可以写一个"React 组件开发.skill"，告诉 AI 你们团队的组件规范。没人想到——或者说，没人敢想——可以用它来"蒸馏一个人"。

直到有人迈出了那一步。

第一部分：发生了什么——蒸馏 Skill 的风潮全景

让我们先把故事完整地看一遍。

"同事.skill"的作者在 README 里写得很坦诚：

灵感来自一个真实场景——组里最懂业务的同事离职了，很多经验没来得及交接。他想，能不能让 AI 从这个同事留下的文字记录中，把那些经验"蒸馏"出来？

"蒸馏"这个词本身就值得解释一下。 在 AI 领域，蒸馏（Distillation）原本指的是把一个大模型的"知识"压缩转移到一个小模型中——大模型是老师，小模型是学生，学生不需要经历老师经历过的所有训练，只需要学会老师最终的"判断方式"就行。在"同事.skill"语境里，"蒸馏一个人"的意思被借用了：从一个人留下的大量文字材料中，提取出他的工作方法和说话方式，压缩成一份 AI 可以执行的 Skill 文件。

这个项目 5 天拿下近 7 万 Star 之后，衍生项目像蘑菇一样冒出来：

同事.skill —— 蒸馏同事的工作能力和性格。技术上采用双层架构：Work Skill（工作技能层）和 Persona（人格层）。支持从飞书、钉钉等平台采集数据。目标是做一个"永不离职的数字同事"。

前任.skill —— 把和前任的聊天记录喂进去，AI 模拟前任的说话方式和你聊天。有人说这是"赛博招魂"，有人说这是在用技术处理情感创伤。

张xue峰.skill —— 从张xue峰的 5 本著作、十几场深度采访和数十条语录中，提取了他的高考志愿咨询框架和表达方式。发布后迅速获得 2.3K Star，但也引发了最大的伦理争议：张xue峰于 2026 年 3 月 24 日因心源性猝死去世，他从未同意被"蒸馏"成 AI。这到底是"知识传承"还是"赛博复活"？

女娲.skill —— 号称可以蒸馏"任何公众人物"的思维框架。你给它一个人的公开资料，它帮你提炼出这个人思考问题的方式。

yourself.skill —— 蒸馏你自己。把你的日记、朋友圈、工作记录丢进去，生成一个"数字自我"。

反蒸馏.skill —— 给你的 Skill 文件注水，让公司蒸馏你的时候得到一份"掺了假"的结果，保护你的核心竞争力。

"打工的尽头是被蒸馏？"钛媒体的这个标题，大概说出了很多人的心声。

但在讨论"应不应该"之前，我想先搞清楚"到底在做什么"。一个人究竟是怎么被"蒸馏"成一个文件的？

第二部分：拆开来看——蒸馏一个人到底在做什么

这是本文最核心的部分。我要把"蒸馏一个人"这个听起来很玄的过程，拆成你能看见每一步的操作。没有黑箱。

2.1 双层结构：工作技能 + 人格

"同事.skill"的核心设计分为两层：

第一层：Work Skill（工作技能层）
这一层回答的问题是：这个人"怎么干活"？

AI 从你喂进去的聊天记录、工作文档、代码提交中，提取以下几类信息：

• 代码规范：变量怎么命名？错误怎么处理？函数多长要拆分？
• 流程经验：遇到线上故障先看日志还是先回滚？需求不清楚时问谁？
• 技术判断：什么时候用缓存？什么时候直接查数据库？系统负载到多少该扩容？

这些信息有一个共同特点——它们原本散落在各种地方。同事在某次群聊里随口说了一句"MySQL 这个版本排序有坑，记得加 ORDER BY 显式声明"，这句话淹没在 200 条聊天记录中，谁也不会专门去翻。同事在某份文档的角落写了"上线前一定要跑这三个 SQL 检查数据一致性"，新人根本不知道有这份文档。

Work Skill 层做的事情，本质上就是把散落的隐性知识整理成显性规则。

打个比方：一个老师傅干了十年，经验全在脑子里，你问他他能说出来，但他从来不写。有一天他要退休了，公司派了个人跟着他一周，把他说的每句话都记下来，整理成一本操作手册。Work Skill 层就是那个跟着记录的人——只不过它记录的不是师傅的口述，而是师傅过去几年留下的所有文字痕迹。

读者此刻可能想问：这和写一份普通的技术文档有什么区别？

区别在于：人工写文档需要当事人主动整理（但人总是懒得写或者觉得"这不是常识吗"），而且整理出来的往往是"正式流程"，不包含那些"非正式的判断"。AI 蒸馏的优势在于，它能从非结构化的聊天记录中捕捉到那些当事人自己都没意识到是"知识"的东西。

第二层：Persona（人格层）
这一层回答的问题是：这个人"怎么说话、怎么想"？

Persona 层采用五层性格建模：

1. 硬核特征：基本信息——年龄、职位、MBTI 类型（一种把人格分为 16 种的心理测试，比如 INTJ 表示"内向+直觉+思考+判断"型）、技术栈
2. 身份认知：他怎么看自己？"我是一个追求代码整洁的人"还是"我是一个先跑通再优化的人"？
3. 表达风格：说话直接还是委婉？喜欢用反问句还是陈述句？爱不爱用表情包？有没有口头禅？
4. 决策判断：面对不确定性时偏保守还是冒险？注重效率还是质量？
5. 人际行为：跨部门协作时什么态度？被怼了怎么反应？怎么甩锅的？

这五层信息同样是从聊天记录和文档中提取的。AI 不是在"理解"这个人——它是在做风格迁移。

什么是风格迁移？你可能见过一种图片 AI 应用：给它一张普通照片和一幅梵高画作，它能把照片变成梵高风格。它并不"理解"梵高的内心世界，它只是学到了梵高的笔触、色彩、构图规律。Persona 层做的事情类似——它不是在理解你的同事是个什么样的人，它只是学到了你同事的遣词造句规律。

2.2 运行逻辑：接活 → 判断 → 干活 → 输出

当你用这个蒸馏出来的 Skill 文件和 AI 对话时，流程是这样的：

1. 你给一个任务："帮我看看这段代码有什么问题"
2. Persona 层先启动：判断"你的同事"会怎么看待这个任务——直接回答？先问背景？还是先吐槽一句"又是这种问题"？
3. Work Skill 层执行：调用蒸馏出来的代码规范和技术判断，分析代码
4. 用 Persona 的语气输出结果："这段代码问题很明显啊——你这个 for 循环里每次都新建连接，不挂才怪。建议用连接池，参考我之前写的那个 utils/db.py 里的写法。"

请注意最后那句话的微妙之处：它不是说"建议使用连接池"，而是说"参考我之前写的那个 utils/db.py"——这种口吻、这种引用方式，都是 Persona 层的贡献。

2.3 生成的 Prompt 长什么样

扒开所有包装，蒸馏出来的那个文件，本质上就是一段很长的提示词（Prompt）。

大概长这样（我简化了，但结构是真实的）：

你现在要扮演张三。

## 基本信息
张三是字节跳动的后端工程师，5年经验，INTJ，技术栈：Go/Python/MySQL/Redis。

## 说话风格
- 说话非常直接，不喜欢绕弯子
- 收到需求第一反应是问 impact（影响面）
- 喜欢用"这个事情的本质是..."开头做总结
- 不太用表情包，偶尔用"..."表示无语
- 被问到不确定的事情会说"我不太确定，但我猜是..."

## 技术规范
- API 返回结构必须用 {code, message, data} 三件套
- 错误码用六位数字，前两位代表模块
- 数据库查询必须有超时设置，默认3秒
- 线上问题排查顺序：看监控 → 看日志 → 查最近发布 → 查上游

## 决策风格
- 倾向于先出MVP再迭代，反对过度设计
- 对性能问题非常敏感，会主动提出需要压测
- 跨部门扯皮时会先确认"这个事情到底归谁管"

看不懂上面那些技术名词没关系——重点是感受这份"说明书"的结构和语气：它规定了这个人怎么干活、用什么口气说话、面对不确定性时怎么做决定。AI 读完这份说明书，就按照里面写的来执行。

读者此刻可能想问：这和我自己写一份"新人入职手册"有什么区别？

本质上，区别不大。蒸馏一个人，就像你读完某人写的所有邮件和文档后，写一份极其详细的"新员工交接手册"——只不过这份手册是 AI 自动写的，而且不仅记录了"怎么做"，还记录了"用什么语气说"。

区别在于两点：

1. 自动化——人工整理一个人的所有聊天记录需要几天，AI 可能只要几分钟
2. 全面性——人整理时会遗漏、会筛选，AI 会扫描所有素材（当然它也有自己的"遗漏"，后面会说到）

所以蒸馏 Skill 的本质 = 一个高级的角色扮演 Prompt，但自动化了整理过程。

这个认知很重要。因为理解了"它只是一段 Prompt"，你才能理解它的能力边界在哪里。

第三部分：它能蒸馏到什么程度？——能力的边界

"蒸馏"这个词很有诱惑力，它暗示着你可以把一个人的精华"提纯"出来。但精华到底提了多少？提不出来的部分有多大？

这是整篇文章最关键的问题。

3.1 能蒸馏的部分

先说好消息：有些东西确实能蒸馏出来，而且效果可能比你预想的好。

已写下来的工作流程、代码规范、决策逻辑。 这些是"显性知识"——已经被编码成文字的知识。蒸馏这些东西，AI 只需要做信息提取和结构化整理，这恰恰是大语言模型最擅长的事情。

说话风格、常用句式、语气特征。 如果一个人留下了足够多的聊天记录，AI 确实能捕捉到很细腻的语言模式。"嗯嗯"和"好的"是两种不同的人格暗示。"我觉得可以"和"可以是可以，但是"传递的是完全不同的态度。这些模式在大量文本中是有统计规律的。

思维框架。 这是"女娲.skill"的突破点。它不只是模仿一个人的说话方式，而是试图提取一个人"分析问题的框架"——比如，马斯克面对问题时总是先问"物理学上的第一性原理是什么"，巴菲特评估投资时总是先问"十年后这家公司会怎样"。这些思维框架是可以从大量公开材料中提取的。

最硬核的证据来自学术研究。 斯坦福大学和 DeepMind（Google 旗下的顶级 AI 研究机构）的研究团队（Joon Sung Park 等人）做了一个大规模实验：他们招募了 1000 个人，对每个人进行 2 小时的深度访谈，然后用访谈内容创建每个人的 AI 复制品。接着，他们让真人和 AI 复制品分别回答同一套标准化社会调查问卷——包括大五人格测试、社会价值观调查等，共数百道题。

结果：AI 复制品的回答与真人回答的相似度达到 85%。

85%——这个数字值得停下来感受一下。它意味着如果你面前有两份问卷答案，一份是真人填的，一份是 AI 填的，你有很大概率分不出来。仅凭 2 小时的访谈。

3.2 蒸馏不了的部分

现在说坏消息——或者说，好消息，取决于你怎么看。

有些东西，无论你喂多少数据，都蒸馏不出来。

第一类：隐性知识。

1966 年，匈牙利裔英国哲学家迈克尔·波兰尼（Michael Polanyi）在他的著作《隐性维度》（The Tacit Dimension）中写下了一句被引用了无数次的话：

"We can know more than we can tell."
——我们知道的，远比我们能说出来的多。

这句话写在第 4 页，但它描述的现象每天都在我们身边发生。

一个老销售和客户吃饭，聊到一半突然感觉"这单要黄"。他说不出具体哪个信号让他得出这个判断——可能是客户夹菜的节奏，可能是某句话的停顿方式，可能是一种他自己都意识不到的模式匹配。但这个判断经常是对的。而这个判断，不在任何聊天记录里。

一个资深设计师看一稿设计，说"这个间距手感不对"。他说不出为什么——不是因为违反了某条设计规范，而是一种积累了十几年的审美直觉。这种直觉没有写在任何文档里，因为它根本无法被文字化。

蒸馏 Skill 只能蒸馏已经变成文字的东西。而人类最有价值的判断力，有很大一部分从未变成过文字。

第二类：动态经验。

这个问题更根本。

Skill 文件是一张"静止快照"——它捕捉的是你导出数据那一刻的状态。但真实的人是在不断学习、不断变化的。你今天蒸馏了你的同事，但你的同事明天去了新公司，学了新框架，踩了新坑，对某些事情的看法完全变了。Skill 文件不会跟着变。

类比：这就像你在 2024 年拍了一张全家福。照片记录了那一刻每个人的样子。但照片不会长大、不会变老、不会因为经历了什么事情而改变表情。Skill 文件是快照，人是流动的。

第三类：情感连接。

AI 可以从你同事的复盘文档中提取出"项目延期的教训"，但它提取不到你同事写这份复盘时的心情——凌晨两点，上线失败，客户发火，他一边改 bug 一边想"我是不是不适合干这行"。这份情绪塑造了他后来对每一个项目的态度，但它不在任何可蒸馏的素材里。

同样，你的前任在聊天记录里说"我没事"，蒸馏出来的 AI 也会说"我没事"。但真实的"我没事"背后的那份拧巴、不甘和故作坚强——那是文字承载不了的东西。

3.3 一句话总结

蒸馏 Skill 的边界 = "可编码"与"不可编码"的分界线。

凡是能变成文字的、有规律的、可重复的，AI 能蒸馏，而且蒸馏得不错。凡是从未变成过文字的、依赖身体感受的、需要在真实世界中持续迭代的，蒸馏不了。

85% 的问卷相似度是不是很高？是的。但剩下那 15%，可能恰恰是让一个人成为"这个人"而不是"那个人"的部分。

第四部分：人们为什么想蒸馏别人？

如果只是一个技术 Demo，它不会 5 天拿 7 万 Star。蒸馏 Skill 之所以引发如此大的共鸣，是因为它触碰到了人类一些很深层的需求。

同事.skill：知识传承焦虑。 每一个经历过核心同事离职的人都懂那种感觉——这个人走了，他脑子里的东西也跟着走了。三个月后你遇到他曾经处理过的问题，翻遍文档找不到解法，那一刻你会想，要是能把他的经验留下来多好。

前任.skill：情感连接的延续。 人在失去一段关系之后，最难接受的不是对方不在了，而是那种"和这个人独有的沟通方式"消失了。世界上再也没有人会用那种语气跟你说晚安。前任.skill 试图留住的，是一种"沟通的质感"。

张xue峰.skill：逝者思维的保存。 一个帮助了无数高考生的人突然去世了，他的咨询框架、判断方式、表达风格都留在了那些书和视频里。有人试图把这些整理成可交互的形式，让后来的学生仍然能"向他请教"。出发点或许是善意的，但方式引发了巨大争议。

女娲.skill：向顶尖思维者学习。 如果你能提取出查理·芒格分析企业的框架，然后用这个框架帮你分析你正在考虑的投资——这不是蒸馏一个人，这是蒸馏一种"思维方式"。女娲.skill 瞄准的是这个方向。

yourself.skill：自我保存。 如果我今天可以把"此刻的我"蒸馏成一个文件，十年后的我可以和"十年前的自己"对话。这听起来像科幻，但技术上已经可以做一个粗糙的版本了。

剥开这些具体场景，底层的共同需求浮出水面：

人类想要对抗"消逝"。

知识会消逝——同事走了，经验没了。关系会消逝——分手了，那种独特的沟通方式没了。人会消逝——去世了，思维和声音都没了。甚至自我也会消逝——十年后的你可能完全不记得今天的你在想什么。

蒸馏 Skill，是试图用技术手段留住一些正在消逝的东西。

这个出发点，很人类。

第五部分：蒸馏 Skill 真正触碰到的问题

但技术一旦落地，就不只是"出发点"的事了。蒸馏 Skill 已经触碰到了几个非常现实、非常尖锐的问题。

5.1 职场维度：你的经验是你的吗？

一个你可能已经在担心的场景：公司要求你把自己的工作经验写成 Skill 文件上交。

这不是假设。多篇报道提到，已有公司在探索用蒸馏 Skill 的方式做知识管理——让员工定期导出工作记录，AI 自动生成 Skill 文件，沉淀为"组织知识资产"。

这里有一个极其讽刺的悖论：最认真工作的人，最容易被蒸馏。

你写的文档越详细、你的聊天回复越有营养、你的代码注释越清晰——你被蒸馏出来的 Skill 质量就越高。而那些文档写得稀烂、聊天只回"好的收到"、代码从不写注释的人，反而因为"没有可蒸馏的素材"而更安全。

"反蒸馏.skill"就是对这个悖论的直接回应。 它帮你在 Skill 文件中注入看起来合理但实际有误的信息——比如稍微改变一些技术判断的阈值，混入一些错误的流程步骤。公司拿到的蒸馏结果看起来没问题，用起来才会发现不对。这是劳动者用技术手段进行"数字自卫"。

法律怎么看这件事？

上海大邦律师事务所的游云庭律师指出：从员工的个人邮件和聊天记录中提炼 Skill，可能构成对个人隐私的侵犯。聊天记录中包含大量个人信息——和同事吐槽领导、私下讨论跳槽、聊到家庭情况——这些在法律上属于个人隐私。

清华大学公共管理学院的陈天昊副教授提出了一个更根本的问题：劳动者在工作中积累的经验性知识，原则上应当由劳动者本人掌握。但目前的劳动法对"经验被 AI 提取"这种场景几乎没有规定——法律存在空白。

更大的隐忧是就业影响。Anthropic 的一项研究显示，在 AI 密集型岗位中，22-25 岁青年的入职比例已经缩减了约 20%。蒸馏 Skill 如果大规模应用，意味着企业可以用低成本的"蒸馏知识"替代一部分新员工培训，甚至替代一部分初级岗位——因为一个加载了资深员工 Skill 的 AI，在标准化任务上的表现可能已经足够好了。

5.2 伦理维度：蒸馏一个人需要他同意吗？

张xue峰.skill 把这个问题推到了台面上。

张xue峰已故，他不可能同意也不可能反对。制作者使用的是他的公开出版物和公开采访——这些材料本身是合法公开的。但把一个人的公开材料整合成一个可以"模拟他和你对话"的 AI 分身，这到底合不合法？

北京京师律师事务所的孟博律师认为：即使出于非商业目的，未经本人（或逝者家属）同意的"AI 复活"行为，可能侵犯人格权。人格权在中国《民法典》中受到保护，即使人已去世，其人格利益仍然受到法律保护。

前任.skill 的伦理问题同样微妙：你用你和前任的聊天记录蒸馏出了一个"AI 前任"——但你的前任知道吗？你的前任同意了吗？聊天记录是两个人的共同产物，单方面使用来创建对方的 AI 分身，在伦理上站得住脚吗？

这些问题目前没有标准答案。但它们已经不是"未来会出现的问题"——它们是"此刻正在发生的问题"。

5.3 哲学维度：文件和"你"的区别是什么？

这个问题我不打算给答案，因为我没有答案。但我想把问题摊开来，和你一起想一想。

假设技术继续进步，有一天，一个 Skill 文件能 100% 精确地模拟你的工作能力和说话风格——它做出的每一个决策都和你一模一样，说的每一句话都是你会说的话。

那么，这个文件和"你"的区别是什么？

一个可能的回答是：区别在于"会不会变"。文件是静态的，你是动态的。文件永远是导出那一刻的你，而你明天可能因为一本书、一场对话、一次失败而变成一个不同的人。文件模拟的是你的"过去"，但它无法模拟你的"未来"。

另一个可能的回答是：区别在于"有没有体验"。文件可以输出和你一模一样的句子，但它不会在写出那句话的时候感到犹豫、骄傲、不安或释然。它没有"第一人称体验"。

还有一个更实用的回答：也许区别没那么重要。如果一个 Skill 文件能帮新同事解决 80% 的工作问题，谁在乎它是不是"真正的你"？它有用就行。

这三个回答都说得通，也都有漏洞。但这正是这个话题的价值所在——它迫使我们思考"我"到底是由什么构成的。

结尾：你是快照，还是电影？

让我们回到最开始的问题——

你能被装进一个文件里吗？

经过这篇文章的拆解，我想答案是这样的：

你的一部分可以。你的工作流程、你的代码风格、你的说话方式、你分析问题的框架——这些可以被蒸馏成一份 Skill 文件，而且效果可能相当不错。85% 的问卷相似度不是开玩笑的。

但有些东西文件永远装不下。

它装不下你下次面对一个全新问题时会怎么想——因为那个想法还不存在。它装不下你在深夜独自纠结"这份工作还要不要继续干"时的感受——因为那种感受从未变成过文字。它装不下你明天可能变成一个和今天不一样的人——因为文件是静态的，而你是活的。

Skill 文件是一张快照。而你是一部还在拍摄中的电影。

快照可以很清晰、很有用。它能帮团队保留一个离职同事的工作经验，能让新人更快上手，能让一些标准化的任务不再依赖特定的人。这些都是实实在在的价值。

但快照不是电影本身。

7 万人在 GitHub 上给"同事.skill"点了 Star，他们点的不只是一个技术项目——他们点的是一种焦虑（我的经验会不会消失）、一种渴望（能不能留住正在消逝的东西）、以及一种隐隐的不安（如果我能被装进文件，那我还有什么不可替代的价值）。

对于最后那份不安，我的回答是：

写不进 SKILL.md 里的部分，才是真正的你。

参考资料

1. 同事.skill GitHub 项目——5 天近 7 万 Star，双层架构（Work Skill + Persona），支持飞书/钉钉数据采集
2. 同事 skill 冲上热搜（IT 之家）
3. 张xue峰.skill 争议报道（IT 之家）——2.3K Star，基于 5 本著作 + 15 条深度采访 + 30 条语录
4. 张xue峰 skill 伦理讨论（腾讯新闻）
5. 律师分析蒸馏 Skill 侵权风险（搜狐）——北京京师律师事务所孟博律师观点
6. 女娲.skill GitHub 项目
7. 女娲.skill 介绍（53AI）
8. 反蒸馏 skill 报道（新浪）
9. 同事.skill 深度解析（CSDN）——Agent Skills 架构、SKILL.md 标准
10. 打工的尽头是被蒸馏？（钛媒体）
11. 各种蒸馏 Skill 汇总（知乎）
12. 蒸馏 Skill 本质局限分析（知乎）——"你能被蒸馏走多少？"
13. 斯坦福/DeepMind 人格复制研究（MIT Technology Review）——Joon Sung Park 团队，1000 人，2 小时访谈，85% 相似度
14. 论文原文（arXiv）——"Generative Agent Simulations of 1,000 People"
15. Michael Polanyi, The Tacit Dimension (1966), p.4——"We can know more than we can tell"
16. 把离职同事"炼化"成 Skill（观察者网）——游云庭律师、陈天昊副教授观点
17. 蒸馏：AI 世界里的吸星大法（Walter Fan 博客）
18. GitHub 火出圈的蒸馏 Skill（GitCode/CSDN）
19. yourself.skill GitHub 项目
20. 蒸馏 or 被蒸馏（ITBear）
21. Anthropic 研究：AI 密集岗位青年入职比例缩减约 20%（早报网）
22. 同事 skill 技术拆解（知乎）
23. 你的同事被打包成了一个文件（人人都是产品经理）

订阅

如果觉得有意思，欢迎关注我，后续文章也会持续更新。同步更新在个人博客和微信公众号

微信搜索"我没有三颗心脏"或者扫描二维码，即可订阅。

文章来源:https://www.cnblogs.com/wmyskxz/p/19854791
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：jacktools123@163.com进行投诉反馈，一经查实，立即删除！