上周我看到有人把专家公开内容蒸馏成Skill,想象是随身带着顾问天团。听起来很诱人,但我第一反应不是做数字分身,而是先问三个问题:用户到底输入什么?
工具应该输出什么?输出错了谁来验收?
市场资料里已经出现了把各路大佬蒸馏成Skill的开源尝试,也有人提醒,公开发言记录越多,所谓数字分身可能越准确;但准确程度、实际需求规模和长期效果,目前都待核实。
更现实的做法,是先把专家经验拆成一套可检查的在线工具。工具不需要假装成某个人,也不需要承诺长期记忆或自动替用户执行外部操作。
对独立开发者来说,先验证“经验能不能稳定转成结果”,比先包装一个会聊天的数字分身更接近真实需求。
AI技能蒸馏是什么?
AI技能蒸馏可以先理解成“把公开经验整理成规则、步骤和验收样例”,而不是复刻一个人的完整人格。市场资料提到的nuwa-skill方向,核心吸引力是把不同专家的内容整理成可随身使用的Skill;但资料没有证明这些Skill已经能够准确代表专家本人,这一点必须标记为待核实。
我会把技能拆成四层:适用场景、输入格式、处理规则、输出检查。比如用户提交一段方案时,工具先判断信息是否齐全,再按规则生成建议,最后列出依据不足或需要人工确认的地方。
这样做的好处是,用户可以检查过程,而不是只得到一段听起来很像专家的文字。
为什么先做工具?
因为在线工具比数字分身更容易验证,也更容易发现失败。市场资料中,Vibe游戏Demo已经出现“一次prompt生成”的案例,资料还提到美术由Codex CLI创建、音乐也由模型完成;这说明生成门槛在下降,但不代表一次生成就能稳定满足用户需求。
另一个案例是视频广告识别插件:项目作者提到自动跳过、云端记录缓存、字幕识别、语音转文字和白名单等功能,同时也承认存在误报。这里最值得借鉴的不是某个具体功能,而是“召回高但误报仍在”的真实取舍:任何技能工具都应该把错误类型显式展示,而不是只宣传一个漂亮结果。
怎么整理专家经验?
我会先用AI智能体开发把公开内容整理成结构化草稿,但不会把每句话都当成规则。具体做法是把内容分成“明确建议”“适用条件”“反例或限制”“无法确认的判断”四类,再给每条规则增加一个最小输入和预期输出。
如果专家内容来自帖子、文章或公开演讲,来源上下文必须保留下来;没有足够上下文的句子,直接标记为待核实。模型名字、版本号和性能数字也不能凭感觉补齐,例如市场资料提到SenseNova Loop 9B、512K tokens上下文,以及9B权重对应更大推理能力等说法,这些只能作为待验证材料,不能自动变成工具的承诺。
我会把Skill写成“条件—动作—检查”的格式。条件负责判断问题是否适用,动作负责生成建议,检查负责指出缺失信息和可能冲突。
这个结构比“请模仿某某专家回答”更稳定,因为它把人格模仿换成了可以逐条审阅的工作流程。
如何验收输出?
验收重点不是输出像不像专家,而是输入清不清楚、结果稳不稳定、错误能不能被发现。可以用Python在线运行整理技能规则和测试样例:为同一个场景准备完整输入、缺字段输入、互相矛盾输入和超出适用范围的输入,再比较每次输出是否遵守同一套检查规则。
测试样例至少要覆盖三类结果:可以直接回答、需要追问、必须拒绝或标记待核实。比如输入缺少行业、目标用户或限制条件时,工具不应该擅自补全,而应该明确列出缺口;规则没有证据支撑时,也不能把推测写成事实。
市场资料里的模型数据可以帮助我们设计测试关注点。 SenseNova Loop资料列出NL2Repo 45.68、GAIA 69.90、BIRD 72.34和AIDABench 62.46至65.31等数字,但这些是资料中的测试描述,不等于你的Skill在实际场景中的效果。
我的判断是,技能工具上线前更应该记录失败样例,而不是只展示一次成功回答。
哪些能力别承诺?
不要承诺复刻真实人格、拥有长期记忆,或者自动执行外部操作。公开内容只能说明某人在某些时间、某些语境下表达过观点,不能证明工具已经理解其全部经验,更不能证明输出代表本人立场。
VicroCode当前适合承接的是AI智能体开发、HTML Web应用在线运行与发布、Python处理规则和测试、模型中心API调用、文件管理、SQLite数据记录、LanceDB知识库,以及项目分享和变现。超出这些边界的外部自动执行、额外编程语言、第三方部署方式或持久人格记忆,都应该明确写成待核实或暂不支持。
这也是我不建议一开始做“顾问天团”的原因。先做一个能解释输入缺口、展示规则依据、保留测试记录的工具,用户才有机会判断它是否真的有用;等需求被验证,再考虑增加更多技能,而不是先堆一个听起来很大的概念。
怎么发布和验证?
第一版可以做成一个简单的在线工具:用户粘贴一段问题或方案,选择技能类型,工具返回结构化建议、缺失字段、待核实项和测试状态。文件管理器可以保存规则与样例,SQLite可以记录输入、输出和人工修订结果,LanceDB则可以在需要检索较多公开材料时保存知识片段;具体效果仍需要实际测试,不能预先承诺。
发布后不要只看访问量。更值得观察的是,用户提交最多的输入缺口是什么,哪些输出被人工改写最多,哪些规则经常触发待核实,以及同一个输入重复运行时结果是否稳定。
市场资料中已经出现“项目完善后拿出来宣传”和“顺便调查新需求”的做法,这给我的启发是:发布不是终点,公开收集反馈本身就是需求验证的一部分。
今天就能做的动作是,挑一位专家公开内容中的10条明确建议,整理成10条规则,再为每条规则写3个测试样例。先不要加人格设定,也不要宣传数字永生;如果10条规则都无法稳定验收,继续扩充资料只会把不确定性放大。
常见问题
数字分身能代表专家本人吗?
不能直接这样承诺。公开内容只能作为技能规则的材料,是否准确代表专家本人目前待核实。
技能蒸馏一定要做长期记忆吗?
不需要。第一版可以只保存规则、测试样例和明确的用户输入,长期记忆能力不在当前已确认范围内。
如何判断一个Skill值得发布?
先看输入是否清晰、输出是否稳定、失败是否可解释。只展示成功案例而没有缺失输入和误报记录,不足以证明Skill可用。
权威来源
- Python Software Foundation《json — JSON encoder and decoder》 —— 支撑:使用结构化数据保存技能规则、测试输入和输出记录的技术做法。
- Python Software Foundation《unittest — Unit testing framework》 —— 支撑:为技能规则准备测试样例,并对输出进行可重复验收的做法。