AI時代Skill他人與防蒸餾自己指南

前些日子，就在人們為張雪峰的不幸離世惋惜的時候，某些人卻在手機里打下了“幫我看看該不該學新聞”，幾秒鐘后，一個帶著東北口音、語速極快、非常絕對的聲音從手機中傳出“我跟你說，千萬別學新聞！這玩意兒就業率不行，薪資中位數在這兒擺著呢，你聽我的，干點實際的”。這當然不是張雪峰本人在線答疑，是有人做出了一個張雪峰Skill的AI工具，它模仿了張雪峰的決策模型、表達DNA，甚至他“先查數據再說話”的職業習慣。它扮演張雪峰，而不是復述關于張雪峰的知識。

這個賽博永生的待遇并不是張雪峰獨享，從去年開始，喬布斯、卡斯克、巴菲特等思維風格鮮明的公眾人物的思想紛紛被封裝成Skill。甚至有產品經理把團隊里最懂用戶的人做成Skill，用于需求評審前的模擬推演；創業者把潛在投資人做成Skill，練習如何應對刁鉆提問；甚至有人開始嘗試把自己的工作方法論封裝成Skill，創造一個“專家版的我”隨時待命。

萬物Skill化已經超脫了AI工具本身，從獵奇變成了一種普遍的實踐，那么當我們“蒸餾”一個人，讓他變成Skill的時候到底發生了什么？是在做一個更聰明的知識庫，還是在創造一種全新的、可復用的“思維代理”？

兩種不同的Skill：知識封裝型和思維代理型

要理解這場“造人”潮，首先要跳出對Skill的固有認知。傳統AI助手本質是知識封裝：把某個領域的規則、步驟、數據打包，AI需要時調用。比如Excel操作Skill，核心是告訴AI“如何用VLOOKUP函數”，目標是準確調取信息?！皬堁┓濉笔降腟kill提供了另一種理解范式：Skill = 決策模型 + 表達DNA。它的目標不是告訴AI“張雪峰說過什么”，而是讓AI以張雪峰的方式思考并表達。這本質上是思維代理的封裝。

這種封裝有三個層次深度：最表層是信息層，包含人物的生平、觀點、語錄等事實；中間是結構層，即其處理問題的決策框架與工作流；最深層是表達層，即其獨特的語言風格、節奏和情感色彩。大部分Skill停留在第一層，而真正的思維代理型Skill必須進入第二、三層——結構層讓AI知道“怎么想”，表達層讓AI知道“怎么說”，兩者結合才構成一個可信的“代理”。

兩者的根本區別在于，知識封裝型Skill回答“是什么”和“怎么做”，而思維代理型Skill回答“他會怎么想”和“他會怎么說”。后者要求創作者必須深入人物的思維黑箱，不僅知其然，更要知其所以然。

六步蒸餾，還原一個人的Skill

把一個人做成高質量的Skill，不是簡單的話術模仿，而是一次系統的思維解構與重建?；趯堁┓?、喬布斯等典型案例的深度解剖，可以提煉出一套“六步蒸餾法”。

第一步：收集原材料。需要一手資料：本人的著作、權威訪談、公開演講、決策記錄、爭議事件。對于喬布斯、張雪峰，這意味著研讀他們的5本著作、分析15+篇深度采訪、梳理30+條標志性語錄，以及記錄11個關鍵的人生與職業決策節點。二手分析只能作為補充，核心必須來自主體自身。

第二步：識別“元問題”。這是最關鍵的一步：這個Skill究竟在幫用戶解決什么問題？張雪峰的元問題是：“普通家庭的孩子，在教育選擇的十字路口，怎么做才能讓未來不太差？”所有后續的心智模型和表達都服務于這個核心。

第三步：歸納3-5個核心心智模型。這是人物的“思維操作系統”。從張雪峰的所有言行中，可以提煉出五個基石模型：社會篩子論（對社會流動性的根本看法）、選擇大于努力（核心方法論）、就業倒推法（具體操作指南）、階層現實主義（價值觀基礎）、爭議即傳播（對外策略）。檢驗標準是：這5個模型能否解釋他80%的觀點和判斷？

第四步：還原表達DNA。思維決定表達。張雪峰的決策路徑（接收問題→判斷類型→追問家庭背景→查就業數據→用心智模型篩選→給絕對結論）直接外化為他的表達風格：嘎巴/整/干他的東北口語，沒有之一/千萬別/一定的絕對化措辭，我跟你說/你聽我說的壓迫感開頭，以及幾乎從不使用“可能”“也許”“這取決于”等模糊詞匯。表達DNA需要寫成可操作的規范，如詞匯表、句式偏好、節奏模式。

第五步：寫出決策工作流。將人物的思考過程固化為AI可執行的步驟。張雪峰Skill的工作流清晰規定：判斷問題類型→靈魂追問（先問家庭背景）→調用工具查最新數據→套入心智模型分析→輸出絕對化結論。這確保了AI不是在隨機模仿，而是在按流程推理。

第六步：定義邊界與局限。真實的人都有認知邊界。張雪峰Skill明確寫出：他的方法論對普通家庭、就業導向的人最有效；對追求學術理想或家境優渥者，其建議可能成為束縛。更關鍵的是寫入內在矛盾，比如“我靠為窮人說話賺錢”的自省，這反而增強了角色的真實感。

不過這六步方法面對不同思維類型的人物時需要靈活調整。以張雪峰和喬布斯這兩個極端為例：

張雪峰是數據驅動型思維。他的決策路徑是“從外到內”：必須依賴外部最新數據（就業率、薪資），輸入心智模型，才能產出結論。因此，其Skill必須綁定工具調用協議，硬性規定“就業數據必須先查，不許憑訓練語料編造”。他的表達DNA是詞匯表式的，可明確列出高頻詞和禁忌詞。喬布斯則是審美直覺型思維。他的決策是“從內到外”：基于內在的品味和哲學直接給出判斷，如“你自己想用嗎？”。其Skill不需要綁定外部數據工具，但需要內省協議，在回答前先進行自我審問。他的表達DNA是美學描述式的，難以用詞匯表窮盡，需要描述“說話像寫俳句，每個字都有重量”的質地。

關于蒸餾Skill的Skill

本質上，做Skill的前提是把知識分成兩類：可以編碼的知識（顯性）——規則、步驟、數據、模板。這類東西你可以寫下來、放文檔里，下次照著做就行；無法編碼的知識（隱性）——那些"老手這么做但說不清楚為什么"的東西。比如一個銷售高手見到客戶第一面就知道該說什么，但你問他邏輯，他答不上來。這種只能通過大量案例讓 AI 自己悟。Skill 的本質，是把第一類知識封裝好，讓 AI 不需要每次重新發現。第二類知識靠 Skill 本身傳不了，要靠"examples"（示例）讓 AI 在情境中自己形成判斷。

同時還要找"不變的骨架"——拿到一個領域或一項技能，要做的第一件事不是列框架，而是找這個技能里最核心的那個"不變的東西"。不管外部條件怎么變，這個技能處理問題的邏輯始終不變的是什么？然后在股價基礎上，去尋找“皮囊”。骨架是“結構”，是“為什么”，是需要被固化的東西，而皮囊則是表面、是“是什么”，是要被替換、抽象掉的部分。蒸餾Skill 的過程，就是把"皮囊層"剝離，把"骨架層"顯性化的過程。

這個去皮留骨的過程，就是知識蒸餾中的第一步——降噪。在降噪之后，還有一個關鍵的動作就是定邊界，判斷自由度。不是所有思維環節都該讓AI自由發揮。這里需要運用“自由度邊界三問”：①如果AI在這里做錯了，后果嚴重嗎？（如醫療診斷，嚴重，需低自由度）②這個問題有標準答案嗎？（如稅務計算，有，需寫死邏輯）③外部環境變化快不快？（如營銷策略，快，需給原則而非方案）通過這三個問題，決定Skill中每一部分的AI自主權大小。

這個蒸餾過程本身，就是一次深刻的元認知提升。它強迫厘清“哪些是現象，哪些是本質”、“哪些是皮囊，哪些是骨架”。這本質上是一種比“費曼學習法”（通過教學來理解）更徹底的思維訓練：你不是要解釋清楚一個概念，而是要復制一套復雜的、個性化的思維系統。做Skill的人，往往比使用Skill的人，對這個人物的理解要深入得多。

同時蒸餾知識這一套方法，也適用于任何人在真實世界的學習，我們每天都看到大量的鮮活的事實，但它們不完全都是知識，只有通過蒸餾這個方法，才能最大化的壓縮知識量，提升信息密度，讓我們的大腦以最小化的代價學習到對生存、生活更有價值的信息。

人人Skill化的背后收益

當“把別人做成Skill”從技術好奇變成可復制的實踐，其意義便超越了單個AI應用，開始重塑個人、團隊乃至行業層面的知識工作范式。

對于個人來說，Skill是將思維外置成為硬盤，將個人最佳決策模式固化，防止經驗流失的方法。創造一個“專家版的自我”，能力隨時調用，在狀態不佳或時間緊迫的時候提供支持。另外通過封裝過程，倒逼自己梳理和優化工作流，形成個人的方法論和標準流程。最后還可以在拆解自己或他人思維的時候，獲得前所未有的元認知視角。

對于組織來說，可以把專家經驗無所保留，避免核心員工離職導致的關鍵決策能力流失。團隊只是也可以成為復用資產，只需將隱性知識顯性化、結構化，即可獲得組織的數字資產。一個更大的好處在于，可以通過專家Skill快速培養新人，增加團隊的整體作戰能力。并且還可以協調團隊的工作思路，讓不同時區、地點、部門的成員可以保持決策一致性。

在行業層面，想象一個由各領域頂尖專家的思維代理構成的技能庫。一個初級分析師可以調用資深投資人的Skill進行初步判斷，一個產品新人可以請“首席產品官Skill”評審方案。這不再是簡單的知識庫查詢，而是思維模式的租用與組合。行業的最佳實踐得以沉淀、迭代、進化，而不是散落在個人的頭腦中隨著退休而消失。

他人既不是地獄也不是Skill

在人可以被“蒸餾”的時代里，除了技能爆炸給社會帶來的收益之外，還有一個更深層次的問題，即AI泛化之后的道德觀該走向何處。借用薩特曾說過的“他人即地獄”，在他人即Skill的思維背后，折射出的是把人當作工具的危險取向。Skill究竟是為人服務的工具，抑或是人的存在是為了蒸餾出Skill服務他人，這是一個非常嚴峻的問題。

康德曾堅持說人是目的，而不是手段，一旦把他人當作手段的想法傳播開，都最終會平等的降落在每一個人身上，每個人把他人當作手段，他人也把自己當作手段，最終自己也會成為自己的手段，一切將不會有意義，人們陷入互相視為工具、互相蒸餾、互相利用的深淵當中。

數字并不能帶來永生，生存真正的意義也不僅僅在一些能被社會調用的Skill當中，而是在面對面的每一次交談和互動里，在春日陽光下的青草中，在細雨淋濕的土壤里。技術發展是好的，但永遠也不能代替自然、情感與道德。