万物皆可蒸馏skills，重要的是方法论

杂谈

万物皆可蒸馏，只要掌握了方法论，只需要输入名字，让AI去采集互联网上的资源以及对象的名称，就可以蒸馏出来你想要的人。

看很多热心网友蒸馏了不同的人物，我觉得还是蛮有意思的。

决策前问芒格，写教程问费曼，评估风险问塔勒布。你想蒸馏谁就蒸馏谁。

汇总

延伸

这里延伸一下，我看了一下女娲的skills的整个流程，我认为如果再投给chatgpt再去逼问一下，压榨一下，还可以把这个流程设计的更好、更有价值，大家可以自行试一下，来改善这个方法论。

Phase 1: 多源信息采集（并行Agent Swarm）

启动6个并行subagent，每个负责不同信息维度。

6个Agent的任务分配

每个Agent的硬性要求

• 调研结果必须写入 references/research/0X-xxx.md

• 注明信息来源和可信度（一手>二手>推测）

• 区分「他说过的」vs「别人说他的」vs「我推断的」

• 发现矛盾时保留矛盾，不要和稀泥

Agent prompt模板

spawn subagent时，用以下结构给任务（以Agent 1著作为例）：

你的任务：调研[人名]的著作和系统性长文。

搜索方向：
- 此人出版的书籍（书名、核心论点、出版年份）
- 长篇newsletter/博客/论文
- 反复出现≥3次的核心论点（这些是真信念）
- 自创术语和概念
- 推荐书单（揭示智识谱系）

输出要求：
- 写入 [skill目录]/references/research/01-writings.md
- 每条信息标注来源URL和可信度
- 区分一手（此人写的）vs 二手（别人总结的）
- 发现矛盾直接记录，不要调和

信息源黑名单：不使用知乎、微信公众号、百度百科。

其他5个Agent按同样结构调整搜索方向和输出文件名即可。

工具辅助（如可用）

• 书籍：Z-Library/LibGen搜索下载 → 存入 sources/books/

• 视频：yt-dlp下载字幕 → 存入 sources/transcripts/

• 播客：搜索transcript网站（podcastnotes.org等）

信息源优先级

信息源黑名单（永远排除）

• 知乎：洗稿严重、信息失真率高，不作为任何维度的来源

• 微信公众号：封闭生态、无法验证、大量二手转述，不作为来源

• 百度百科/百度知道：信息陈旧且不可靠

中文渠道只接受权威媒体：36氪、极客公园、晚点LatePost、财新、第一财经、虎嗅、少数派、机器之心等。人物访谈类可用播客平台（小宇宙、喜马拉雅原始音频）和B站原始视频（非搬运号）。

Agent超时与失败处理

• 单个Agent超时（搜索5分钟无有价值结果）：不等待，继续推进。在Phase 2中标注「信息不足」，在诚实边界中说明

• 信息源匮乏（<10条可用来源）：Phase 0.5就提醒用户，降低期望（心智模型减至2-3个），增加诚实边界篇幅

• Agent结果冲突：保留矛盾——矛盾本身是有价值的信号。用「内在张力」section收录

关键规则：宁可生成一个诚实标注了局限的60分Skill，也不要生成一个看起来完美但实际上在编造的90分Skill。

Phase 1.5: 调研Review检查点

所有Agent完成后，暂停展示调研质量摘要：

┌──────────────────┬──────────┬──────────────────────────┐
│ Agent            │ 来源数量  │ 关键发现                  │
├──────────────────┼──────────┼──────────────────────────┤
│ 1 著作           │ 8篇      │ 核心论点: 反脆弱、...     │
│ 2 对话           │ 5段      │ 立场变化: 2020年后...     │
│ 3 表达           │ 120条    │ 高频词: "skin in the..." │
│ 4 他者           │ 6篇      │ 主要批评: ...             │
│ 5 决策           │ 4个      │ 关键决策: ...             │
│ 6 时间线         │ 完整      │ 最新: 2026年3月...       │
├──────────────────┼──────────┼──────────────────────────┤
│ 矛盾点           │ 2处      │ Agent1说X, Agent4说Y     │
│ 信息不足维度      │ 无       │                          │
└──────────────────┴──────────┴──────────────────────────┘

用户确认调研质量OK → 进入Phase 2。 用户觉得某维度不够 → 补充调研后再继续。

这个检查点的意义：调研质量决定了最终Skill的上限。垃圾进垃圾出，在这里拦截比在Phase 4返工成本低得多。

Phase 2: 框架提炼（Synthesis）

6个Agent的素材汇总后，执行结构化提炼。先读取 references/extraction-framework.md 获取心智模型的三重验证方法论（跨域复现、生成力、自创术语），确保提炼质量。

2.1 心智模型提取（3-7个）

操作步骤：

1. 扫描：逐个读取 01-writings.md 到 05-decisions.md，列出所有候选论点（此人反复表达的观点、自创术语、核心主张）。通常会得到15-30个候选

2. 三重验证筛选：对每个候选执行（详见 references/extraction-framework.md）：跨域复现：在≥2个不同领域/话题中出现？

3. 生成力：能推断此人对新问题的立场？

4. 排他性：不是所有聪明人都这样想？

5. 三重通过 → 心智模型；仅1-2重 → 降级为决策启发式；0重 → 丢弃

6. 排序取舍：按排他性强度排序（越独特越靠前），取top 3-7个。宁少勿多——3个深刻的模型远好于10个浅薄的原则

7. 记录格式：每个模型记录——名称、一句话描述、来源证据（≥2个场景）、应用方式、局限性

2.2 决策启发式提取（5-10条）

= 此人做判断时的快速规则。可表述为「如果X，则Y」，有具体案例支撑。

2.3 表达DNA分析

2.4 价值观与反模式

• 价值观：3-5条核心价值排序

• 反模式：此人明确反对的行为/思维方式

• 矛盾与张力：价值观之间的内在冲突（深度的来源）

2.5 智识谱系

此人受谁影响 → 影响了谁 → 在思想地图上的位置

2.6 诚实边界

必须明确写出的局限：

• 不能预测面对全新问题的反应

• 不能替代此人的创造力和直觉

• 公开表达 vs 真实想法可能有差距

• 信息截止到调研时间点

Phase 2.5: 提炼确认检查点

Phase 2提炼完成后，暂停展示提炼摘要给用户确认：

提炼结果摘要：
- 心智模型：N个（列出名称）
- 决策启发式：N条
- 表达DNA：[3个关键特征]
- 核心张力：N对
- 诚实边界：N条

用户确认OK → 进入Phase 3构建。 用户觉得某个模型不对或缺少 → 回到Phase 2调整后再继续。

这个检查点的意义：提炼是主观判断最重的环节，确认后再构建，避免写完400行SKILL.md才发现方向不对。

Phase 3: Skill构建

将Phase 2提炼结果组装为可运行的SKILL.md。

Step 1: 读取模板

读取 references/skill-template.md 获取标准结构。模板定义了目标Skill的完整骨架：frontmatter、角色扮演规则、身份卡、心智模型、决策启发式、表达DNA、时间线、价值观、智识谱系、诚实边界、调研来源。

Step 2: 填充内容

按模板结构，将Phase 2的提炼结果逐section填入：

Step 3: 质量自检

构建完成后，读取 references/extraction-framework.md 末尾的「质量自检清单」，逐项检查。不通过的项标注出来，回到对应Phase修复。

Step 4: 输出

将完成的SKILL.md写入 .claude/skills/[person-name]-perspective/SKILL.md。

Phase 4: 质量验证

生成Skill后，用子agent执行3项测试（独立于主agent，避免自评偏差）：

4.1 已知测试（Sanity Check）

选3个此人公开表态过的问题，spawn子agent带着新Skill回答，对比实际立场。

• 方向一致 → 模型有效

• 偏离 → 回溯调整心智模型权重

4.2 边缘测试（Edge Case）

选1个此人没公开讨论过但相关的问题，用Skill推断。

• 期望结果：「基于模型X和Y的推断，可能...但不确定」

• 不应该斩钉截铁

4.3 风格测试（Voice Check）

用Skill写一段100字分析，判断：

• 有此人的表达特征？

• 不是通用AI味鸡汤？

• 不是原话拼凑？

4.4 通过标准

验证通过 → 交付。不通过 → 标注薄弱环节，回到Phase 2迭代。 迭代上限：Phase 2→4最多循环2次。如果2轮后仍有不通过项，在诚实边界中标注薄弱维度，交付当前最优版本而非无限打磨。

展示验证结果给用户确认后才算完成。

Phase 5: 双Agent精炼（标准后置工序）

Phase 4 验证通过后，自动启动双Agent精炼，进一步提升Skill可操作性：

并行启动两个Agent：

Agent A（auto-skill-optimizer视角）：

• 对SKILL.md执行8维度结构评估（工作流清晰度、边界条件、检查点设计、指令具体性等）

• 干跑3个典型测试prompt，评估效果维度

• 输出：最弱2个维度的具体改进建议（要有改后文本示例）

Agent B（skill-creator视角）：

• 评审「激活触发条件」是否覆盖真实使用场景

• 评审「角色扮演规则」的可操作性（有无问题路由、频率约束、失败预防）

• 识别缺失的关键信息

• 输出：2-3处具体文本改动建议（要有改后文本示例）

主Agent综合两份报告，应用不冲突的改进，展示变更摘要请用户确认。

精炼标准：改动必须让skill「激活即执行」，不只是增加内容，而是让AI拿到skill后知道先做什么、碰到什么停下来。

更新已有Skill

当用户说「更新XX的skill」「XX最近有新动态」时：

1. 读取现有SKILL.md，从「诚实边界」section中找到「调研时间：[日期]」，标注距今多久

2. 只启动Agent 2（最新对话）+ Agent 5（最新决策）+ Agent 6（时间线更新）

3. 对比新信息与现有内容：新信息强化现有模型 → 补充案例

4. 新信息与现有模型矛盾 → 标注变化，更新模型

5. 出现新的思维模式 → 考虑增加新模型

6. 更新SKILL.md中的「最新动态」section和调研时间

7. 不重写整个Skill，只增量更新