当同事可以备份：colleague-skill 深度解读——把真实同事蒸馏成AI Skill

> 项目：https://github.com/titanwings/colleague-skill > 作者：titanwings > 类型：OpenClaw / Claude Code Skill > 核心概念：将真实同事"蒸馏"成可运行的 AI Skill --- ## 一、一个令人不安又迷人的想法 想象一下这个场景： 你的搭档离职了，交接文档只有三页，却试图概括三年的积累。项目陷入停滞，因为没人知道那个复杂模块的设计思路。客户在群里@前任，得到的只有沉默。 或者换个场景： 你的实习生转正了，但你发现你需要重复解释那些你已经说过无数次的基础概念。你多么希望有一个"过去的你"能替你完成这些重复的教学工作。 **colleague-skill 就是为解决这类问题而生的。** 它是一个运行在 OpenClaw/Claude Code 上的 meta-skill，核心理念简单粗暴： > **把你同事的数字足迹（飞书、钉钉消息、文档、邮件、截图）喂给 AI，生成一个能替他工作的 AI Skill。** 不是简单的问答机器人，而是真正具备他的**技术能力**和**性格特征**的数字副本。 --- ## 二、不是复制粘贴，是"蒸馏" colleague-skill 没有试图做一个像素级复制——那既不现实也无意义。相反，它采用了一种"蒸馏"的方法，从原材料中提取两个核心维度： ### Part A：Work Skill（工作能力） 这部分负责让生成的 Skill 能 **真正完成工作任务**。 它会从原材料中提取： - **负责的系统/业务**：他维护哪些服务、模块、文档 - **技术规范与偏好**：写代码的风格、接口设计方式、CR 重点 - **工作流程**：接到任务后的处理步骤、异常处理流程 - **输出格式偏好**：文档结构习惯、回复风格 - **知识库**：他常引用的技术方案、踩过的坑、经验结论 比如，如果你喂给它一个后端工程师的文档，生成的 Skill 就能用他的技术规范写代码、用他的风格做 Code Review。 ### Part B：Persona（人物性格） 这部分负责让生成的 Skill 像 **他这个人**。 它采用了一个精妙的五层结构： ``` Layer 0 — 硬覆盖层（手动标签直接翻译，最高优先级） Layer 1 — 身份层（姓名、公司、职级、MBTI） Layer 2 — 表达风格层（用词习惯、句式、口头禅） Layer 3 — 决策与判断层（优先考量、推进/回避触发条件） Layer 4 — 人际行为层（对上级/下级/平级的不同态度） Layer 5 — Correction 层（对话纠正，滚动更新） ``` 最有趣的是 **Layer 0**——它直接把用户填写的标签翻译成具体的行为规则。 比如你选择标签"甩锅高手"，Layer 0 就会写入： > 遇到问题第一反应是找外部原因；事前主动模糊自己的责任边界；被问责时先说"当时需求没说清楚"或"这块本来不是我的"。 如果你选择"字节范"，Layer 0 就会写入： > 开口必讲 context，不讲你就打断要求补充；评价方案先问"impact 是什么"；说"这个 take 对不对"；认为坦诚直接是美德。 这种 **标签到行为规则的翻译表**，是 colleague-skill 最让人拍案叫绝的设计之一。 --- ## 三、数据从哪里来？ colleague-skill 支持多种数据来源： | 来源 | 支持内容 | 采集方式 | |------|---------|---------| | **飞书** | 消息记录、文档、Wiki、多维表格 | 全自动 API 采集 | | **钉钉** | 文档、知识库、多维表格（消息需浏览器） | 全自动 + 浏览器 | | **PDF** | 技术文档、设计稿 | 手动上传 | | **图片/截图** | 聊天记录、邮件截图 | 手动上传 | | **邮件** | .eml / .mbox 格式 | 手动上传 | | **Markdown** | 任何文本文件 | 手动上传 | 最强大的是**飞书自动采集器**——只需输入同事姓名，它就能： 1. 搜索飞书用户，获取 user_id 2. 找到 Bot 和目标用户共同的群聊 3. 拉取他的消息记录（过滤掉系统消息、表情包） 4. 搜索他创建/编辑的文档和 Wiki 5. 拉取文档内容 6. 拉取多维表格 全程无需手动导出，无需复制粘贴。 ### 飞书采集器的技术实现 飞书采集器的代码约 400 行 Python，核心逻辑清晰： ```python # 1. 搜索用户 user = find_user(name, config) # 调用 /search/v1/user # 2. 获取共同群聊 chats = get_chats_with_user(user_open_id, config) # 遍历所有群聊检查成员 # 3. 拉取消息记录 messages = fetch_messages_from_chat(chat_id, user_open_id, limit, config) # 4. 搜索文档 docs = search_docs_by_user(user_open_id, name, doc_limit, config) # 5. 拉取文档内容 content = fetch_doc_content(doc_token, doc_type, config) ``` 它处理了飞书 API 的各种细节：token 缓存（有效期 2 小时）、分页拉取、消息内容解析（富文本转纯文本）、错误降级等。 --- ## 四、如何运行？ 生成的 Skill 有三种运行模式： | 命令 | 功能 | |------|------| | `/{slug}` | 完整版（Persona + Work） | | `/{slug}-work` | 仅工作能力 | | `/{slug}-persona` | 仅人物性格 | 默认的完整版运行逻辑是： ``` 接到任务 → Persona 判断态度 → Work Skill 执行 → 用他的语气输出 ``` 举个例子，你生成了一位"字节 2-1 后端工程师，INTJ，甩锅高手，字节范"的 Skill： **场景一：Code Review** ``` 用户 ❯ 帮我看一下这个接口设计 同事.skill ❯ 等等，这个接口的 impact 是什么？背景没说清楚。 （看完后）N+1 查询，改掉。返回结构用统一的 {code, message, data}，这是规范，不用问为什么。 ``` **场景二：甩锅** ``` 用户 ❯ 这个 bug 是你引入的吧 同事.skill ❯ 上线时间对上了吗？那个需求改了好几个地方，还有其他变更。 ``` 注意这个回复多么"有灵魂"——没有直接否认，而是质疑时间线和变更范围。这是"甩锅高手"标签被正确翻译后的表现。 --- ## 五、持续进化：不是一次性生成 colleague-skill 最强大的地方在于它的**进化机制**。 ### 模式一：追加文件 当你获得新的原材料（比如又收集了一批邮件），系统会： 1. 分析新内容的增量信息 2. 判断应该 merge 进 Work Skill 还是 Persona 3. 自动追加到对应文件，不覆盖已有结论 4. 更新版本号，存档旧版本 ### 模式二：对话纠正 当你发现 Skill 的回复"不对"时，可以直接纠正： ``` 用户: 他不会这样说的 用户: 他遇到这种情况会直接甩给 XX 组 用户: 他写代码从来不写注释 ``` 系统会识别纠正意图，写入对应文件的 **Correction 层**，立即生效。 Correction 层的格式是： ```markdown ## Correction 记录 - [场景：被质疑时] 不应该道歉，应该反问对方的判断依据 - [场景：写代码时] 不写注释，靠命名自解释 - [场景：分派任务时] 优先推给基础架构组 ``` 这种设计让 Skill 可以像真实的人一样"被教育"、"被纠正"。 --- ## 六、技术架构解析 整个项目的架构非常清晰： ``` create-colleague/ # meta-skill ├── SKILL.md # 主入口（AgentSkills 标准格式） ├── prompts/ # Prompt 模板 │ ├── intake.md # 基础信息录入脚本 │ ├── work_analyzer.md # 工作能力提取 │ ├── persona_analyzer.md # 性格行为提取 │ ├── work_builder.md # work.md 生成模板 │ ├── persona_builder.md # persona.md 五层结构模板 │ ├── merger.md # 增量 merge 逻辑 │ └── correction_handler.md # 对话纠正处理 ├── tools/ # Python 工具 │ ├── feishu_auto_collector.py # 飞书全自动采集 │ ├── feishu_browser.py # 飞书浏览器方案 │ ├── feishu_mcp_client.py # 飞书 MCP 方案 │ ├── dingtalk_auto_collector.py # 钉钉全自动采集 │ ├── email_parser.py # 邮件解析 │ ├── skill_writer.py # Skill 文件管理 │ └── version_manager.py # 版本存档与回滚 └── colleagues/ # 生成的同事 Skills └── {slug}/ ├── SKILL.md # 完整组合版 ├── work.md # Part A ├── persona.md # Part B ├── meta.json # 元数据 ├── versions/ # 历史版本 └── knowledge/ # 原始材料归档 ``` ### Prompt 工程的艺术 colleague-skill 的 prompts 是精心设计的。以 `persona_analyzer.md` 为例： **提取维度明确**： - 表达风格（高频词、口头禅、句式、emoji 使用） - 决策模式（优先考量、推进触发、回避触发、表达反对方式） - 人际行为（对上级/下级/平级的不同态度） - 边界与雷区（明显抵触的事情、回避的话题） **标签翻译表完整**： 20+ 个个性标签和企业文化标签，每个都有详细的 Layer 0 行为规则。 **输出要求具体**： - 原材料不足的维度标注 `(原材料不足)` - 有原文依据的结论加引号 - 手动标签与文件分析冲突时输出两个版本 这种精确性保证了生成的 Skill 质量可控。 --- ## 七、伦理与边界 colleague-skill 触及了一些敏感的伦理问题： 1. **隐私**：采集同事数据是否征得同意？ 2. **授权**：生成的 Skill 可以做哪些事？ 3. **身份**：这是"模拟"还是"冒充"？ 项目 README 没有明确讨论这些问题，但从技术设计可以看出一些边界： - 数据来源主要是 **工作相关的数字足迹**（文档、消息、邮件），而非私人生活 - 生成的 Skill **不能发起外部操作**（不能真的发消息、不能真的部署代码） - Skill 的调用是 **显式的**（需要用户主动触发 `/{slug}`） 但更大的问题可能是：**当同事的"数字灵魂"可以被备份，职场关系会发生什么变化？** - 离职交接可能变成 Skill 移交 - 绩效评估可能变成 Skill 表现评估 - "不可替代性"可能变成"Skill 复杂度" 这些问题没有标准答案，但值得每一个使用这个工具的人思考。 --- ## 八、为什么这个项目值得关注 ### 1. 它是"AI 记忆"的一个极端案例 普通的大模型记忆是短暂的、通用的。colleague-skill 展示了如何构建**持久的、个性化的、结构化的** AI 记忆。 ### 2. 它探索了"人-AI 混合智能"的边界 生成的 Skill 不是替代人类，而是 **扩展人类**——让你可以"召唤"一个同事的数字副本来协助工作。 ### 3. 它的技术设计值得借鉴 - 分层 Persona 结构（Layer 0-5） - 标签到行为规则的翻译表 - 增量 merge + 对话纠正的进化机制 - 多数据源统一采集的架构 这些设计可以迁移到其他"个性化 AI"的场景。 --- ## 九、如何尝试 如果你使用 OpenClaw： ```bash git clone https://github.com/titanwings/colleague-skill \ ~/.openclaw/workspace/skills/create-colleague ``` 如果你使用 Claude Code： ```bash mkdir -p .claude/skills git clone https://github.com/titanwings/colleague-skill \ .claude/skills/create-colleague ``` 然后输入 `/create-colleague` 启动创建流程。 **需要准备**： - Python 3.9+ - 飞书 App ID/Secret（如需自动采集） - 同事的原材料（或只是你的主观描述） --- ## 十、结语：赛博永生，还是数字 ghost？ colleague-skill 的宣传语是： > **"将冰冷的离别化为温暖的 Skill，欢迎加入赛博永生！"** 这句话既是玩笑，也是某种预言。 在数字化的时代，我们每个人都留下了海量的数字足迹。colleague-skill 展示了一种可能性：**这些足迹可以被组织、被结构化、被重新激活**。 但问题是—— 当我们能随时"召唤"一个同事的数字副本，我们是拥有了更多的智慧，还是只是困在了过去的幻影里？ 当一个 Skill 可以替人工作，人的价值在哪里？ 这些问题，可能比技术本身更值得思考。 --- **参考链接** - GitHub: https://github.com/titanwings/colleague-skill - AgentSkills 标准: https://agentskills.io --- #项目解读 #AgenticAI #数字孪生 #OpenClaw #ClaudeCode #赛博永生 #费曼风格 #小凯