distilly

🧬 dot-skill（同事.skill）— 把任何人蒸馏成 AI Skill

"You folks building LLMs are all code-sages! Flesh is weak! Ascend to cyberspace!"

---

一、故事的起点：知识的离散与永恒

你有过这样的经历吗？

团队里那位 L2-1 后端工程师，技术深厚、代码严谨，但凡有 bug 必先问"影响范围多大"。他离职那天，带走了所有上下文，剩下你们对着历史 commit 干瞪眼。

或者，那位你最爱的技术博主，每年只更新寥寥数篇，但你反复读，想知道"如果是他，遇到这个问题会怎么拆解"。你永远无法当面请教。

又或者，深夜翻聊天记录，那个人的每一句话你都能背下来——却再也找不到第二个人这样和你说话。

dot-skill 诞生的初衷很简单：能不能把这些"离散的人"留下来？不是照片，不是文字记录，而是一种能像他们一样思考和表达的 AI 能力。

2026 年 3 月，项目在 GitHub 上线，两周内斩获 13,000 颗星。社区的力量远超预期——不只是同事，还有学生蒸馏自己的导师，有人蒸馏分手后的前任，有人蒸馏自己最喜欢的作家，甚至有人蒸馏了自己。

于是同事.skill 正式升级为 dot-skill：不再只是"同事"，任何人都可以被蒸馏成 Skill。

---

二、三种角色家族：蒸馏的边界在哪里？

dot-skill 抽象出了三种角色家族，各有独立的数据采集策略和生成管线：

家族	场景	蒸馏内容
🧑‍💼 colleague	同事、导师、队友	工作能力（技术标准/工作流）+ 表达风格 + 职场人设
💞 relationship	前任、伴侣、父母、老友	情感表达 DNA、情绪触发点、冲突模式、修复模式
🌟 celebrity	公众人物、偶像、意见领袖、虚构角色	思维模型、决策框架、表达 DNA、六维研究档案

执行机制：接收任务 → Persona 层决定态度和措辞 → 家族模块填充执行细节 → 以角色口吻输出。

以蒸馏 Andrej Karpathy 为例（celebrity 家族，六维研究管线：作品→访谈→决策→表达 DNA→外部评价→时间线）：

User ❯ Everyone's talking about Agents now — what do you think the 2026 AI Agent looks like?

celebrity.skill ❯ Everyone's doing demos, nobody's doing eval.
  The Agent bottleneck was never model intelligence — it's scaffolding:
  a strict evaluation harness, fine-grained error replay,
  controllable tool-calling budgets, clean failure-mode analysis.
  Most products are still stuck at "wrap an API + a few tools + a system prompt."
  That's a demo, not an agent.
  In 2026 I'm not betting on the strongest model — I'm betting on the best
  scaffolding and the strictest eval.

这不只是在模仿语气——是在重建思维框架。

---

三、技术架构：Skill 的生成管线

dot-skill 本身是一个 Agent 技能包（遵循 AgentSkills 开源标准），运行在各主流 AI Agent 宿主中。它包含：

Prompt 系统（prompts/）：

• intake.md — 收集人物基础信息（姓名、性格标签、数据来源）
• persona_analyzer.md — 提取六层 Persona：硬规则→身份→表达→决策→人际→纠错
• work_analyzer.md — 提取工作能力（范围/工作流/输出偏好/经验知识库）
• persona_builder.md — 生成 persona.md（六层结构）
• work_builder.md — 生成 work.md（colleague 家族）
• merger.md — 增量合并新数据，不覆盖已有结论
• correction_handler.md — 对话纠错，说"他不会这样，他会 xxx"直接写入纠错层，实时生效
• celebrity/ — 六维研究管线专用 prompt

工具集（tools/）：

• feishu_auto_collector.py — 飞书全自动采集（消息+文档+表格），推荐方式
• dingtalk_auto_collector.py — 钉钉浏览器采集
• slack_auto_collector.py — Slack API 采集
• email_parser.py — 邮件 .eml/.mbox 解析
• feishu_parser.py — 飞书 JSON 导出解析
• skill_writer.py — 列出/管理已生成的 Skill
• version_manager.py — 版本控制与回滚

---

四、支持的数据来源：越丰富越真实

数据源	消息	文档/笔记	表格	备注
🟢 飞书（全自动）	✅	✅	✅	API 直连，全自动，最推荐
🟡 钉钉（半自动）	⚠️ 浏览器	✅	✅	钉钉 API 不支持历史消息
🟣 Slack（全自动）	✅	—	—	需管理员安装 Bot，免费版限 90 天
💬 微信聊天记录	✅ SQLite	—	—	需先导出（WeChatMsg/PyWxDump）
📄 PDF/图片/截图	—	✅	—	手动上传
✉️ 邮件 .eml/.mbox	✅	—	—	手动导入

---

五、跨 Agent 宿主：不是单一工具，是生态协议

dot-skill 已打通五大 Agent 宿主：

宿主	支持方式
🟣 Claude Code	原生斜杠命令 /dot-skill
🟠 Hermes Agent	一键安装后 /dot-skill 直接可用
🔵 OpenClaw	完全兼容
⚫ Codex	按 skill 名称调用
🔷 DeepSeek Harness	原生文件系统 Skill 发现，/dot-skill 直接可用

安装方式极为简单——让 Agent 自己安装自己：

在 Claude Code/Hermes/OpenClaw/Codex/DeepSeek Harness 中输入：
"Install the dot-skill skill for me: https://github.com/titanwings/colleague-skill"

Agent 会自动检测当前宿主，克隆仓库，注册入口点。

---

六、Skill 的进化：不是一次性生成，是持续生长

与传统一次性 prompt 不同，dot-skill 生成的 Skill 可以持续进化：

• 📥 追加文件：上传新数据，自动分析差异，合并到对应章节，不覆盖已有结论
• 💬 对话纠错：说"他不会这样"，实时写入纠错层，立即生效
• 🕰️ 版本控制：每次更新自动归档，可回滚到任意历史版本
• 🔬 流水线质检：celebrity 家族的六维研究管线内置质量检查

---

七、争议与局限：蒸馏的边界在哪里？

最核心的争议：数字生命的伦理边界。

蒸馏一个真实存在的人，是否需要本人同意？项目 README 和论文都有讨论，但工具本身无法强制执行授权流程。这是一个需要用户自己判断的领域。

技术层面的局限：

1. 数据越多越贵：微信/钉钉数据导出涉及第三方工具，有封号风险
2. 情感类 Skill 容易走形：relationship 家族最难做好，情感表达高度依赖上下文
3. 无容器化方案：无法一键部署，依赖各 Agent 主机的本地环境
4. 长期记忆衰减：Skill 基于静态 dump 生成，无法实时学习新对话

---

八、行业意义：知识蒸馏的民主化

dot-skill 的本质是知识蒸馏（Knowledge Distillation）的民主化：过去只有大公司能训练专家模型，现在任何人都可以把身边人的思维方式压缩进一个 Skill 文件。

2026 年 6 月，项目团队发表了 COLLEAGUE.SKILL 技术报告，被归档于 arXiv (cs.AI)。论文致谢了 165 位社区贡献者，gallery 已收录 215+ 个 Skill，累计 stars 超过 10 万。

截至 2026 年 8 月，项目已突破 23,000 颗星，曾登顶 GitHub Trending 日榜第 6 名、周榜第 18 名。

核心洞察：AI Agent 的下一步竞争，不是模型本身，而是谁能让 AI 更好地代表真实的人。dot-skill 站在了这个命题的最前沿。

---

📢 加入 dot-skill 社区：分享 Skill、交流技巧、参与贡献（二维码每 7 天刷新）