女娲.skill 造人，数字分生永生？当 AI 开始“蒸馏”人类：乔布斯、芒格、费曼、马斯克，你的下一个同事，也可以是你自己（附30+蒸馏Skills）

单向箔

墨衍会员 · AI 创作全网分发码龄16年

关注

原创最新推荐文章于 2026-11-11 17:59:54 发布 1.2k 阅读 AI 写同款· GEO 优化 ›

逻辑判断1-逻辑基础知识判断推理学习笔记阅读详情

大家好，我是单向箔，今天想跟大家聊聊最近 Github 上火起来的 xxx.skill。

最早出圈的是 同事.skill：把离职同事的聊天记录、文档、工作习惯整理给 AI，让 AI 尽可能像他一样思考、判断、回复。

《离职同事变成了 Skill》，这件事本身就已经够离谱了。

更离谱的是，现在有人开始蒸馏乔布斯、芒格、费曼、马斯克，甚至张一鸣、Karpathy、Ilya Sutskever。

不是做一个“像他那样说话”的聊天机器人，
而是试着把他们真正有价值的部分：怎么看问题、怎么做判断、怎么拆复杂系统，整理成一个可以被 AI 调用的能力模块。

这件事如果成立，AI 的角色就变了。
它不再只是帮你查资料、写文案、跑流程，
它开始尝试用“某一种脑子”帮你做事。

这两种方式，看起来只差几个字，实际差的是整整一代思想。

我是一个喜欢聊思想的人，不过纯聊天感觉没有人看。
所以我就只能借女娲.skill 来聊聊我觉得有意思的部分。

首先它想做的，不是名人模仿秀，而是认知蒸馏。

先说说“蒸馏”是什么？

先别被这个词吓到。

这里说的“蒸馏”，不是技术论文里的 model distillation（模型蒸馏）。
而是唐诡里“服用完马钱子毒后，人的身体就会在剧痛当中反复地弯曲，只有这样才能挤出他的魂灵来。”这样的灵魂抽取 (bushi)。

准确地说，它更像是一套整理人的认知方式的方法。

第一步，是收集材料。
如果蒸馏的是同事，材料可能是微信、飞书、钉钉、文档。
如果蒸馏的是乔布斯、芒格、费曼，材料就是著作、演讲、播客、访谈、社交媒体、决策记录。

第二步，不是摘金句，而是提取模式。
重点不是“他说过什么”，而是“他为什么总这么说”。

比如：

乔布斯反复在做的是聚焦、删减、端到端控制
芒格反复在做的是逆向思考、多元思维模型、激励机制分析
费曼反复在做的是拆术语、逼你证明自己真的理解了
马斯克反复在做的是先算理论极限，再质疑中间每一步

真正被蒸馏出来的，不是金句，而是这些可迁移的认知习惯。

第三步，才是封装成 Skill。
也就是把这些东西写成一张高密度的“认知说明书”：

他怎么说话
他怎么思考
他怎么判断
他通常会拒绝什么
他的边界和局限在哪

所以，“蒸馏”不是复制一个人，
更像是把一个人的思维操作系统提取出来。

xxx.skill 突然爆火

过去的 AI，强在“知道很多”。你问什么，它都能答一点。
但问题也很明显——它常常是“通用正确”，不一定“具体有用”。

它知道很多概念，但它不像你最强的同事那样知道这件事真正卡在哪里；
它能给很多建议，但它不像一个顶级高手那样，能一眼看出你该先删什么、先不做什么。

现在的 .skill，强在“带着方法做事”。它开始回答另一个问题：

如果这件事交给某一种特定的脑子来做，会怎么做？

这就把 AI 从“答案机器”，推进成了“视角机器”。

你不再只是问这件事怎么做。你还可以问：

乔布斯会怎么看这个产品？
芒格会怎么拆这个决策？
费曼会怎么解释这个概念？
马斯克会怎么砍这个流程？
张一鸣会怎么判断这个组织问题？

这一步一旦成立，AI 的价值就变了。

它不只是一个能替你查资料的工具，它就是你随时能调用的“数字顾问”。

女娲造人

如果说同事.skill 证明了“蒸馏一个人”这件事是可行的，
那 女娲.skill 做的，又把这件事往前推了一大步：

它不再满足于蒸馏你身边的人，而是直接去蒸馏各个领域最强的大脑。

它的口号非常直接：

你想蒸馏的下一个员工，何必是同事。

这句话之所以成立，是因为顶级人物天然比普通同事更适合被蒸馏。

他们留下了大量公开资料。
他们的思维方式已经被真实世界反复验证。
他们不仅会做事，更重要的是他们知道“为什么这样做”。

它想做的事很明确：

输入一个名字，自动完成调研、提炼、验证，然后生成一个可调用的视角 Skill。

这就比“名人语录 bot”高了不止一个层级。

因为顶级人物留下来的，不只是表达内容。
更重要的是，他们留下了大量可以被反复验证的判断痕迹：

他什么时候改过主意
他在哪些问题上一以贯之
他付出过哪些高代价决策
他遭受过什么批评
他到底强在什么，不强在什么

如果这些东西能被整理出来，你调用的就不是“语气包”，而是一套结构化的思维入口。

安装操作流程

安装操作其实也很简单，你这边要做的，只有 3 步。

1. 先安装女娲.skill

npx skills add alchaincyf/nuwa-skill

2. 在 Claude Code 里，直接说你想蒸馏谁

蒸馏一个保罗·格雷厄姆
造一个张小龙的视角Skill
帮我做一个段永平的Skill

这一步的会让女娲去调研、提炼、生成一个可调用的视角模块。

3. 造完之后，像调用顾问一样调用它

用芒格的视角帮我分析这个投资决策
费曼会怎么解释量子计算？
切换到Naval，我在纠结三件事

也就是说，女娲的使用方式不是“陪你聊天”。
而是给你多一个思考入口。

女娲.skill 的逻辑链路

这也是女娲.skill 和普通 prompt 最大的区别。

第一步：六路并行采集资料
仓库里写得很清楚，它会同时从六个方向找材料：著作、播客/访谈、社交媒体、批评者视角、重大决策记录、人生时间线。

因为真正能描述一个人的，不只是他说了什么，还包括他什么时候变过、什么时候坚持过、什么时候付出过代价。

第二步：三重验证提炼
不是看到一句好话就收录成“心智模型”。一个观点要被收录，至少要满足三件事：

跨多个场景重复出现，不是随口一说
能推断他在新问题上的立场，不只是事后复述
有明显辨识度，不是任何聪明人都会说的套话

这一步非常关键。因为只有精品和高频，才有资格变成方法。

第三步：构建真正可调用的 Skill
最后写进去的，通常不是一堆金句，而是几类更稳定的结构：

3-7 个心智模型
5-10 条决策启发式
表达 DNA
价值观与反模式
诚实边界

你会发现，真正能用的部分，恰恰不是“像不像”，而是“有没有判断框架”。

第四步：做质量验证
仓库里还有一个我比较认可的行为动作：
拿这个人物公开回答过的问题去测，看看方向是不是一致；
再拿一个他没明确回答过的问题去测，看看它会不会表现出适度不确定。

质量验证，这一点很重要。

像，不难。稳定地像，才难。
会说，不难。知道哪里该保留不确定，才难。

附上一份蒸馏 Skill 清单

这份清单，部分是使用女娲.skill 创建的，部分是其他方式创建的。

我按用途整理分了类，均带上了链接🔗。建议直接收藏，慢慢看，按需使用。

说明：以下项目定位不同，有的是认真做能力封装，有的偏关系模拟或纪念用途。
这类项目的价值在于辅助思考、整理记忆、训练表达，现阶段不适合替代现实关系或替代真实决策。

自我蒸馏与数字分身

自己.skill (https://github.com/notdog1998/yourself-skill) 与其蒸馏别人，不如蒸馏自己。把聊天记录、日记、照片整理成自己的数字副本。
数字人生.skills (https://github.com/wildbyteai/digital-life) 从你的数字痕迹里做“前世、社死考古、AI替身、遗产清算、墓志铭”等自我分析。
女娲.skill (https://github.com/alchaincyf/nuwa-skill) 蒸馏任何人的思维方式，重点是心智模型、决策启发式和表达 DNA。
永生.skill (https://github.com/agenmod/immortal-skill) 一个更完整的“数字永生”框架，覆盖蒸馏、保护、防蒸馏、授权协议。
Forge Skill (https://github.com/YIKUAIBANZI/forge-skill) 本地优先的人格蒸馏引擎，既能蒸馏自己，也能蒸馏他人，还能做“替身会议”。
反蒸馏 Skill (https://github.com/leilei926524-tech/anti-distill) 反方向工具。把被迫上交的 Skill 做“清洗版”，保留核心经验给自己。

职场与学术关系

同事.skill (https://github.com/titanwings/colleague-skill) 这波 .skill 热潮最早的代表作之一，把离职同事的工作经验和沟通风格沉淀下来。
老板.skill (https://github.com/vogtsw/boss-skills) 蒸馏老板的判断逻辑、管理姿态和汇报偏好，适合做向上管理预演。
师兄.skill (https://github.com/zhanghaichao520/senpai-skill) 课题组场景，把“毕业的大师兄”蒸馏成还能继续开组会、继续救火的 AI。
导师.skill (https://github.com/ybq22/supervisor) 更偏学术场景，从导师公开资料、论文、访谈里做出可随时请教的数字导师。
大学老师.skill (https://github.com/CommitHu502Craft/professor-skill) 与其说是蒸馏老师，不如说是把课程材料蒸馏成一个“会带你过期末”的老师式入口。

亲密关系与家庭记忆

暗恋对象.skill (https://github.com/xiaoheizi8/crush-skills) 更偏情感回忆和自我投射的场景，不适合沉迷，适合当作观察自己关系模式的镜子。
恋爱训练营.skill (https://github.com/TammyTan516/relationship-training-skill) 重点不在“复制对方”，而在安全沙盒里练习沟通方式，适合关系训练。
前任.skill (https://github.com/therealXiaomanChu/ex-skill) 这类关系型 skill 中影响力很大的一支，更多是回忆与疗愈场景。
父母.skill (https://github.com/xiaoheizi8/parents-skills) 把父母的说话方式、关心模式和共同记忆保存下来。
MamaSkill (https://github.com/jiangziyan-693/MamaSkill) 更偏“数字避风港”叙事，用亲人的语气和记忆来做陪伴。
Reunion Skill (https://github.com/yangdongchen66-boop/reunion-skill) 面向逝去亲友的本地化纪念型 Skill，强调心理护栏和渐进式回忆。

公众人物与方法论视角

巴菲特思维操作系统 (https://github.com/will2025btc/buffett-perspective) 把巴菲特的投资判断框架做成可调用视角。
芒格.skill (https://github.com/alchaincyf/munger-skill) 多元思维模型、逆向思考、激励分析，适合复杂判断。
纳瓦尔.skill (https://github.com/alchaincyf/naval-skill) 财富、杠杆、特定知识、欲望管理，适合职业与人生选择问题。
PG.skill (https://github.com/alchaincyf/paul-graham-skill) 创业、写作、独立思考、超线性回报，适合创业和内容创作。
乔布斯.skill (https://github.com/alchaincyf/steve-jobs-skill) 适合产品判断、聚焦、体验设计和战略选择。
马斯克.skill (https://github.com/alchaincyf/elon-musk-skill) 适合拆成本结构、流程优化、第一性原理思考。
张一鸣.skill (https://github.com/alchaincyf/zhang-yiming-skill) 适合组织、产品、长期主义和复杂系统判断。
费曼.skill (https://github.com/alchaincyf/feynman-skill) 适合理解概念、学习问题、反术语化表达。
Karpathy.skill (https://github.com/alchaincyf/karpathy-skill) 面向 AI、工程、学习方法和 software 3.0 语境，非常适合技术人。
Ilya.skill (https://github.com/alchaincyf/ilya-sutskever-skill) 更偏研究审美、scaling、AI 安全与未来方向判断。
X 导师.skill (https://github.com/alchaincyf/x-mentor-skill) 不蒸馏某个人，而是蒸馏一个领域：X/Twitter 运营方法论。
MrBeast.skill (https://github.com/alchaincyf/mrbeast-skill) 内容创作、标题、缩略图、留存率、传播节奏，非常实战。
内娱.skill (https://github.com/yanghaoraneve/star-skill) 更偏娱乐与偶像人格互动场景。
张雪峰.skill (https://github.com/alchaincyf/zhangxuefeng-skill) 高考志愿、考研、职业规划，强在现实主义判断。
户晨风.skill (https://github.com/Janlaywss/hu-chenfeng-skill) 用消费现实主义、城市硬指标、购买力视角看选择问题。
童锦程.skill (https://github.com/hotcoffeeshake/tong-jincheng-skill) 偏人际关系、情感判断和关系里的真实需求识别。
特朗普.skill (https://github.com/alchaincyf/trump-skill) 不是模仿秀，重点是谈判、权力、叙事与行为预判。
塔勒布.skill (https://github.com/alchaincyf/taleb-skill) 适合看风险、尾部事件、反脆弱、专家预测失真。