严肃聊聊，Skill到底能蒸馏我们的几分之几？

在AI技术持续进化的今天，「Skill」这一概念逐渐进入大众视野。它指的是通过分析个体在工作、交流、决策等场景中的行为模式，将其转化为可执行的指令或模型参数，从而让AI能够模仿或复现该个体的某些能力。这种技术被称为“认知蒸馏”，即从大量行为数据中提取核心认知模式，进而“蒸馏”成Skill文件。

蒸馏的本质与实现方式

蒸馏（Distillation）原本是机器学习中的一种技术，用来将一个复杂模型（如大型神经网络）的知识压缩到一个更小、更高效的模型中。如今，这一概念被延伸到“人类认知”的提取与复现。

• 数据来源多样化：Skill的生成依赖于丰富的个人行为数据。包括但不限于：
  • 微信聊天记录
  • 钉钉、飞书、Slack等办公平台的对话与文档
  • QQ消息、社交媒体互动
  • 图片EXIF信息等辅助数据
• 提取方式：将这些数据“喂”给大型语言模型（如Claude），通过自然语言处理和行为建模，提取出个体的语言风格、决策路径、知识调用模式等。

Skill的边界与局限

尽管Skill技术令人兴奋，但它的边界也十分清晰：

显性知识 vs 隐性直觉

• 显性知识包括：

  • 规则、流程、文档结构
  • 模板化的回复与处理方式
  • 常见问题的解决方案路径

• 隐性知识如：

  • 瞬间判断的直觉
  • 对复杂情境的效用评估
  • 情绪驱动的决策偏好

“Skill能蒸馏的是显性规则与知识路由，但隐性的直觉与效用判断蒸馏不掉。”这一观点在多个技术讨论中被反复提及。

技术类比：吴恩达的“通才优先”

• 类似于吴恩达提倡的“先通用模型，后专业微调”的理念，Skill本质上也是在已有通用AI模型的基础上，通过蒸馏个体经验进行个性化增强。
• 但这种增强仍然受限于个体留下的数据密度和模型的理解能力。

Skill的典型应用场景

1. 离职同事的“数字分身”

• 公司可以通过将离职员工的工作文档、沟通记录、邮件往来等数据蒸馏为Skill文件，构建一个“数字前同事”。
• AI可以模拟其回复风格、问题解决路径，甚至在Slack或飞书中自动参与日常协作。

2. 前任经验的延续

• 某些企业将Skill用于内部培训或交接。例如，通过蒸馏资深项目经理的工作流，新员工可以借助AI“模仿”其思路与节奏。
• 这也被一些人称为“知识的数字化遗产”。

3. 个性化AI助手

• Skill也被用于构建个性化的AI助手。例如，通过蒸馏个人在飞书、微信中的沟通风格，AI可以“变成”用户自己，代替其完成日常对话或文档撰写。

技术挑战与伦理问题

尽管Skill蒸馏技术正在快速演进，但仍面临多项挑战：

• 数据完整性问题：并非所有行为都能被记录，尤其是那些未被数字化的决策过程。
• 模型偏差：AI在模仿过程中可能会放大某些语言风格或行为习惯，造成“人格偏移”。
• 隐私与伦理争议：将一个人的行为模式数字化并复用，涉及大量隐私问题。特别是当该人未授权或已离职时，是否应保留其“数字存在”？

此外，Russinovich等技术专家也指出，这种技能迁移本质上是对Workflow的模拟，而非真正意义上的“人格复制”。比如陈果.skill之所以受到关注，是因为它成功复现了其在团队协作中的处理方式，而不是他的思维方式本身。

未来展望

Skill的未来发展可能走向两个方向：

1. 更精细的工作流迁移：

   • AI将更擅长识别并模拟复杂工作流程，包括多任务切换、优先级判断、协作方式等。

2. 融合情感与直觉建模：

   • 如果未来能通过行为模式反推情绪状态或效用函数，Skill将具备更强的“拟人性”。

但无论如何，当前的Skill技术仍无法替代人类在不确定环境中的效用判断与直觉反应。这些能力，才是我们与AI之间真正的“不可蒸馏部分”。