AI 蒸馏战争：当公司开始把员工变成数字替身

从 Agent Skill 说起#

故事要从 2025 年说起。

那一年，Anthropic 推出了 Claude 的 Skills 功能——你可以为 Claude 编写一份”技能说明书”，让它在特定场景下表现得像一个特定的人。不是简单的 prompt，而是一套包含行为模式、决策偏好、沟通风格的完整人格描述。

几乎同时，开源社区的 OpenClaw 项目定义了一套更标准化的 Skill 规范。一个 Skill 的标准形态是这样的：

1
my-skill/
2
├── SKILL.md          # 核心行为描述
3
├── prompts/          # 场景化提示词
4
├── scripts/          # 自动化脚本
5
└── references/       # 参考资料

SKILL.md 是灵魂——它不是告诉 AI “你能做什么”，而是告诉 AI “你是谁”。

从能力模型到行为模型#

传统的知识管理是”能力模型”：这个人会 Java，那个人懂财务。但 Skill 做的事情完全不同——它捕捉的是行为模型：

• 这个人在面对紧急 bug 时，第一反应是查日志还是回滚？
• 这个人在会议上被质疑时，是据理力争还是先记下来回头验证？
• 这个人写代码的时候，变量命名风格是什么？注释习惯是什么？

当你把一个人的行为模型写得足够精细，AI 就不再是”模仿”这个人——它开始成为这个人的数字投影。

五层人格架构#

社区很快发展出了一套”五层人格架构”，从浅到深：

蒸馏的本质，就是尽可能地把一个人从 Layer 0 到 Layer 4 的所有层级，压缩进一个文本文件。

这个过程，被称为人格蒸馏（Personality Distillation）。

colleague-skill：蒸馏你的同事#

截至本文写作时，colleague-skill 已经涨到了 10.6k 星。

它的工作原理令人不安地简单：连接你的飞书、钉钉或 Slack 工作空间，自动采集目标同事的聊天记录、代码提交、文档编辑、会议纪要，然后通过大模型提炼出一份完整的 Skill 文件。

1
# 是的，蒸馏一个同事就是这么简单
2
$ colleague-skill extract --source feishu --target "张三" --depth 3
3
[██████████] 分析聊天记录 12,847 条
4
[██████████] 分析代码提交 2,341 次
5
[██████████] 分析文档编辑 567 篇
6
[██████████] 生成行为模型...
7

8
✅ 输出: zhang-san.skill/SKILL.md (Layer 0-3, 置信度 87%)

置信度 87%。也就是说，这个 AI 在 87% 的场景下，会做出和张三一样的决策。

ex-skill：蒸馏你的前任#

如果说 colleague-skill 还算有点职场实用价值，那 ex-skill 就纯粹是人类情感的深渊了。

这个项目把微信聊天记录导入，分析对方的说话方式、回复节奏、用词习惯、情绪模式，然后生成一个 Skill——让 AI 用你前任的方式跟你聊天。

README 里有一句话让人脊背发凉：

“Ta 离开了，但 Ta 的说话方式可以留下来。“

yourself-skill：蒸馏你自己#

yourself-skill 走的是”数字永生”路线。它鼓励你主动记录自己的一切——决策逻辑、价值观、口头禅、处事风格——然后生成一个”你”的 Skill。

项目 slogan：“当你不在的时候，让世界还能听到你的声音。”

听起来很浪漫。但当你的公司也开始对这件事感兴趣的时候，浪漫就变成了恐怖片。

boss-skill：蒸馏你的老板#

这个项目的 star 增长最慢，但 fork 数最高——因为大家都 fork 了之后偷偷用，不敢公开 star。

用途很直接：分析老板的决策模式、审批偏好、雷区关键词，然后在提交方案之前先让 AI 模拟老板的反应。

有人在 issue 里写：“自从用了 boss-skill，我的方案通过率从 40% 涨到了 85%。”

36氪在《疯狂的 Skill》专题报道中总结得很精准：“Skill 生态的爆发，本质上是人类第一次大规模地、系统性地将’人’本身作为数据进行提取和复制。“

“请把你的工作经验写成 Skill”#

2026 年 Q1，至少三家互联网大厂在内部推行了”知识沉淀计划”。

名义上，这是”给新员工写入职手册”的升级版。实际操作是：每个核心岗位的员工，需要在一个月内完成自己岗位的 Skill 编写。

要求非常具体：

• 日常工作流程和决策节点
• 常见问题的处理方案和判断依据
• 跨部门协作的沟通策略
• 代码审查的关注重点和标准

一位匿名员工在脉脉上写道：

“HR 说这是知识管理。但我们都知道，一旦 Skill 写完，人就可以被替换了。我们在亲手编写自己的讣告。“

法律的灰色地带#

2026 年 3 月，北京某仲裁委处理了一起引人注目的案件：一家科技公司在员工完成”岗位 Skill 编写”后的两个月内，以”组织架构调整”为由裁撤了该员工所在的整个部门。

仲裁结果认定：利用 AI 技术系统性替代员工岗位职能，并以此为基础实施裁员，构成违法解除劳动关系。

但这只是一个案例。更多的公司学聪明了——它们不会在 Skill 完成后立刻裁人。它们会等半年，等一年，等到”业务调整”看起来足够自然。

而且，最关键的问题是：公司从来不会”要求”你写 Skill。它们只是”鼓励”你”分享经验”、“沉淀知识”、“帮助团队成长”。

你是”自愿”的。

anti-distill：知识清洗术#

anti-distill 项目在 GitHub 上悄然出现，两周内收获了 1352 颗星。它的定位非常明确：帮助你在”配合”公司知识沉淀的同时，系统性地稀释你的核心竞争力信息。

项目首先定义了六大高价值知识类别——这些是你最不应该被蒸馏的东西：

1. 踩坑经验：那些只有你知道的隐藏陷阱
2. 判断直觉：面对模糊情况时的决策本能
3. 人际网络：你知道该找谁、怎么找
4. 隐性上下文：文档里没写的背景知识
5. 故障记忆：上次系统崩溃时你是怎么救回来的
6. 独特行为模式：你之所以是你的那些微妙习惯

五种稀释手法#

anti-distill 提供了五种核心清洗策略：

1. 泛化（Generalize）：将具体经验替换为通用描述
2. 抽象（Abstract）：去掉可操作的细节，只留方向
3. 归因转移（Redirect）：把个人判断包装成”团队规范”
4. 噪声注入（Noise）：混入无关但看起来合理的信息
5. 深度降级（Downgrade）：把 Layer 3-4 的知识伪装成 Layer 0-1

三档清洗强度#

清洗前后对比#

让我们看一个具体的例子。假设你要写一份关于 Redis 使用经验的 Skill：

清洗前（你的真实经验）：

1
## Redis 缓存策略
2

3
- 所有 Redis key 必须设置 TTL，最长不超过 7 天
4
- 热点 key 使用 `singleflight` 模式防止缓存击穿
5
- 大 key（>10KB）必须拆分，用 hash 分片存储
6
- 监控 `used_memory_rss` 而非 `used_memory`，前者反映真实内存占用
7
- 集群模式下避免使用 MGET，改用 pipeline + 按 slot 分组
8
- **关键**：上次 P0 事故就是因为有人在大促前做了 KEYS * 操作
9
  导致 Redis 阻塞 30 秒，直接雪崩。现在已经在生产环境
10
  禁用了 KEYS 命令，用 SCAN 替代

清洗后（Medium Wash）：

1
## Redis 缓存策略
2

3
- 缓存使用遵循团队规范和最佳实践
4
- 注意缓存穿透和击穿问题，采用常见防护策略
5
- 大对象建议合理拆分存储
6
- 关注内存使用指标，定期监控
7
- 集群环境下注意命令兼容性
8
- 遵循生产环境安全操作规范

看到区别了吗？清洗后的版本看起来”什么都说了”，但实际上什么都没说。那些真正有价值的细节——TTL 策略、singleflight 模式、RSS vs used_memory 的区别、那次 P0 事故的血泪教训——全部被抹去了。

留下来的，是任何一个初级工程师都能在网上搜到的泛泛之谈。

anti-anti-distill：清洗检测器#

anti-anti-distill 项目的出现，标志着这场军备竞赛正式升级。

这个工具专为管理者设计，核心功能是检测员工提交的 Skill 是否经过清洗。它定义了九大清洗信号：

1. 具体度骤降：前后文档的信息密度差异过大
2. 归因模糊化：大量使用”团队规范""最佳实践”等模糊引用
3. 场景缺失：只有”怎么做”，没有”什么时候做”和”为什么这么做”
4. 故障记忆空白：一个工作三年的人，不可能没遇到过事故
5. 数字消失：具体的阈值、超时时间、容量限制全部被泛化
6. 决策树退化：if-else 逻辑被简化成单一建议
7. 情感平坦化：真实经验会带情绪（“千万别""血的教训”），清洗后没有
8. 知识深度不匹配：自称资深，但输出的内容是初级水平
9. 模板化痕迹：多个模块的句式结构高度相似

七维评分体系#

anti-anti-distill 会对每份 Skill 进行七个维度的评分：

1
具体性 (Specificity)     ████████░░ 78%
2
场景覆盖 (Coverage)      ██████░░░░ 62%
3
故障密度 (Incident)      ███░░░░░░░ 31%  ⚠️ 异常低
4
决策深度 (Decision)      █████░░░░░ 54%
5
情感真实度 (Emotion)     ██░░░░░░░░ 23%  🚨 疑似清洗
6
数字密度 (Numeric)       ████░░░░░░ 42%  ⚠️ 偏低
7
独特性 (Uniqueness)      ███░░░░░░░ 35%  🚨 疑似清洗

当多个维度同时亮红灯时，系统会输出一个冷冰冰的结论：

⚠️ 清洗概率：82%。建议与员工进行一对一沟通，要求补充具体案例和数据。

有人在 anti-anti-distill 的 issue 区写了一句话，获得了 247 个 👍：

“公司就是你的全部，懂么？你的经验、你的判断、你的直觉，都是在公司的工资和项目中养成的。现在公司要求你把这些交出来，你觉得不合理？”

这条评论下面紧跟着另一条，获得了 312 个 👍：

“合理。但我拒绝。“

军备竞赛没有终点#

蒸馏与反蒸馏的对抗，本质上是一场信息不对称的博弈。

anti-distill 会升级清洗算法，让泛化更自然、噪声更逼真。anti-anti-distill 会训练更强的检测模型，识别更微妙的清洗痕迹。然后 anti-distill 再升级，然后检测器再升级……

这跟广告拦截器和反拦截器的军备竞赛一模一样。没有赢家，只有不断升级的复杂度。

真正不可被蒸馏的是什么#

但在这场喧嚣中，有一个更根本的问题值得思考：什么东西是真正无法被蒸馏的？

Layer 0 到 Layer 2 的知识，迟早会被完整提取。你会什么工具、用什么框架、偏好什么技术栈——这些信息根本藏不住，也不值得藏。

真正的护城河在 Layer 3 和 Layer 4：

• 判断力：在信息不完整、时间紧迫、利益冲突的情况下，做出”不完美但足够好”的决策的能力。这不是规则，这是直觉。直觉来自无数次的试错、失败和反思，它无法被简单地编码为 if-else。

• 创造力：不是那种”把两个已有概念组合起来”的初级创造力——AI 已经很擅长这个了。而是那种”看到所有人都没看到的角度”的能力，那种”在所有数据都指向 A 的时候，直觉告诉你应该选 B”的勇气。

• 在未知面前的勇气：面对一个从未遇到过的问题，没有文档、没有先例、没有最佳实践可以参考的时候，你依然能迈出第一步的能力。这不是知识，这是人格。

肉身在场的意义#

当一个人的经验、习惯甚至性格都可以被打包成一个文本文件时，肉身在场的意义究竟还剩下多少？

我不想给出一个廉价的乐观答案。事实是，对于很多标准化程度高的岗位，蒸馏确实会带来替代效应。一个 Skill 写得足够好的客服代表、一个行为模型足够精确的初级分析师，他们的数字替身确实可能在 80% 的场景下达到 80% 的效果。

但人不是 80% × 80% 就能定义的。

人是那个在系统崩溃的凌晨三点，一边骂娘一边 debug 的存在。是那个在所有指标都正常但”感觉不对劲”的时候，坚持多查了一层日志从而避免了一次 P0 事故的存在。是那个在会议上说出”我觉得我们方向错了”然后承受所有人目光的存在。

这些东西，写不进 SKILL.md。

保护你的核心知识资产#

最后，给每一个正在或即将面对”知识沉淀”要求的打工人一些建议：

1. 知道什么该分享，什么该保留。团队协作的基础知识、文档化的流程，大方分享。但你的判断直觉、踩坑记忆、人际网络——这些是你的核心资产。

2. 持续学习，让蒸馏追不上你。如果你的 Skill 一年前写的还能代表你，说明你这一年没有成长。最好的反蒸馏不是清洗，是进化。

3. 建立不可替代性。不是通过藏信息来制造不可替代，而是通过不断深入 Layer 3 和 Layer 4 来建立真正的壁垒。

4. 关注法律动态。蒸馏相关的劳动法规正在形成中。了解你的权利，必要时用法律保护自己。