同事.skill 爆火：AI 如何复刻数字分身

了解了 Agent Skills 标准，我们来看「同事.skill」做了什么创新——它将 Skills 架构从能力模型推向了行为模型。

双层架构：Persona + Memory

传统 Skill 是"教 AI 做什么"，同事.skill 是"教 AI 成为谁"。它采用了一个双层架构：

• Persona 层（人格）：包含身份认同、行为规则、表达风格、口头禅库。
• Memory 层（记忆）：包含工作技能、聊天记录、共同记忆与项目背景。

五层人格结构

Persona 层通过五个递进维度来构建"数字分身"：

1. 硬规则：代码必须有注释、文档先行。
2. 身份认同："老黄牛" / "边界感极强"。
3. 表达风格：回复长短、是否用表情包。
4. 决策模式：先动手还是先反问、保守还是激进。
5. 人际行为：向上管理方式、对待新人态度。

底层决定 AI 做什么，顶层决定 AI 像谁。

运行时流程

当用户向"数字同事"发起请求时，系统按以下流程运作：

1. Persona 情绪评估：判断态度和语气。
2. Memory 知识检索：检索相关背景。
3. 生成回应：结合人格 + 知识，调用底层大模型。
4. 记忆更新：将本次交互存入 memory，持续进化。

例如，用户问"这个接口要不要加鉴权？"，AI 可能会回答："你觉得呢？上次那个没鉴权的接口是谁半夜起来修的？加，必须加。参考一下我之前发的安全规范第 3.2 节。"

数据采集与隐私清洗

项目适配了主流聊天记录导出工具，如微信、飞书、钉钉、Slack、邮件等。隐私处理方面，理论上项目附带了数据清洗脚本，会自动去除手机号、邮箱、身份证号等 PII（个人可识别信息）。但在实际使用中，这一步的执行全靠用户自觉——这也是争议的核心所在。

为什么是现在爆发？

同事.skill 的爆火不是偶然，它踩中了三个历史级的交汇点。

1. 技术成熟度：Agent Skills 标准从实验品变成了基础设施。2025 年 12 月 Anthropic 将 Skills 发布为开放标准后，短短四个月，主流工具全面支持，门槛降到最低。
2. 情绪共鸣：传播动力不是技术，而是情绪。精准命中了职场中的怀旧感和焦虑感，加上"字节范"、"阿里味"这种极具传播性的梗，想不火都难。
3. 产业暗流：企业端正在关注一个更严肃的问题：如果离职员工的经验可以被 Skill 化沉淀，那知识管理的范式是不是要彻底变了？过去的知识管理靠 Wiki、Confluence，写得再好也是"死文档"。但 Skills 是活的：它不仅存储知识，还存储"用这些知识做决策的方式"。

争议与反思：我们在"炼化"什么？

法律灰色地带

核心问题：离职员工在公司电脑上的聊天记录、工作文档，到底属于谁？目前中国法律对此尚无明确定论。北京某法院曾判定"因 AI 替代直接解雇员工"违法，但当公司要求员工主动提交经验用于训练 AI 时，现行劳动法保护显得力不从心。

防御与反击：反蒸馏.skill

打工人从来不缺智慧。有人已经开发出了"反蒸馏.skill"——一个防御性工具。核心逻辑是扫描待导出的文档和聊天记录，识别其中的核心知识点，将核心知识替换为"正确但无信息量"的职场废话。

经验的价值在哪里？

这是同事.skill 提出的最深刻的问题。如果一个实习生导入了三年资深架构师的聊天记录，就能获得其 80% 的工作逻辑，那"经验"的价值是什么？

我的思考是：同事.skill 能复刻的，是显性经验——写在文档里的规范、聊天记录里的决策模式、邮件里的沟通套路。

但真正有价值的隐性经验——在混沌中判断方向的直觉、在压力下做取舍的勇气、面对未知时选择冒险还是保守的智慧——这些不在任何聊天记录里，也无法被 Skill 化。

能被 .skill 文件替代的，从来就不是真正稀缺的能力。 就像计算器不会淘汰数学家，只会淘汰"只会计算的人"。

超越玩梗：Skills 的正经应用场景

抛开"炼化同事"的话题，Agent Skills 在工程领域有着切实的价值。以下是几个高 ROI 的应用场景：

代码审查标准化

---
name: code-review-expert
description: >
  When to use: 对 PR 进行多维度结构化审查。
---
## 审查维度
1. 架构合理性（是否符合 SOLID 原则）
2. 异常处理（是否有兜底逻辑）
3. 安全审计（SQL 注入、XSS、敏感信息暴露）
4. 性能影响（N+1 查询、不必要的全表扫描）
5. 日志规范（关键路径是否有 tracing）
6. 测试覆盖（核心逻辑是否有单测）

团队工程规范固化

把团队约定俗成的"潜规则"变成 AI 可执行的标准：

---
name: team-conventions
description: >
  When to use: 新建任何代码文件时自动应用。
---
## 接口规范
- 所有 API 响应必须使用统一的 Response 结构
- 错误码必须定义在 error_codes.go 中
- 分页接口必须支持 cursor-based pagination

新人快速入职

将团队的架构知识、排查流程、部署步骤打包成 Skill，新人入职第一天就能获得"老员工"级别的上下文。

如何编写一个高质量的 Skill

如果你准备为自己的团队创建 Skill，以下五条原则能帮你避免大部分坑：

1. 语义精确的元数据：description 不是写给人看的 README，而是写给 AI 的触发条件。必须明确"什么时候用"和"什么时候不用"。
2. 单一职责：避免大而全的"全能 Skill"。一个 Skill 只做一件事。
3. 确定性优先：对于严谨计算，不要依赖 LLM 的"直觉"，应让 LLM 提取参数，调用脚本执行。
4. 渐进式披露：充分利用三层加载机制，把"大块头"放在 references 和 scripts 目录。
5. 用示例代替文字：10 行示例代码胜过 100 行文字描述。AI 通过模式匹配学得比纯文字快得多。

总结：Skill 化时代的生存法则

2026 年春天的这场"Skill 狂欢"，表面上是一场关于"炼化同事"的互联网玩梗，本质上是 AI Agent 能力标准化进程中的一次社会化破圈。

三个判断：

1. SKILL.md 是新的基础设施。就像 Docker 定义了"如何打包应用"、MCP 定义了"如何接入工具"，Agent Skills 定义了"如何打包能力"。这不是一阵风，而是 AI 工程化的必经之路。
2. 能力 Skill 化是确定趋势，人格 Skill 化需要谨慎。把代码规范、排查流程、审查标准打包成 Skill，ROI 极高。但把人的性格、语气、决策习惯打包成 Skill，涉及隐私、伦理、法律多重风险，需要在热潮中保持冷静。
3. 真正的护城河是"不可 Skill 化"的能力。在一切可编码的经验都将被 AI 沉淀的时代，你的核心竞争力应该是：在混沌中判断方向的能力、在利弊不明时做取舍的勇气、以及创造全新 Skill 的能力——而不是被 Skill 化的那个。