文章探讨了GitHub上流行的「同事.skill」项目，即利用AI技术提取离职员工的知识和经验，形成可调用的技能包。虽然技术上可行，但文章强调这只能提取部分显性知识，无法替代员工的全部判断力和主体性。文章指出，过度依赖AI蒸馏知识可能导致组织文化恶化、人才培养逻辑断裂，并形成对不确定性的忽视。最终得出结论，工具可以蒸馏知识，但无法替代人的价值和创造力，企业应谨慎使用技术，避免陷入自我实现的陷阱。

Github上 .skill 代码仓库涨到了 7500+stars

最近GitHub上有一个项目火了，叫「同事.skill」。

核心概念很简单：把你离职的同事"转化"成一个可用的AI Skill。 收集他写过的文档、决策类回复、长文，用AI蒸馏成一个可调用的能力包。

社交媒体上段子满天飞……

“你的同事被优化了，但他的skill还在。”“被毕业的同事并没有消失，不过是被蒸馏成了token继续陪着你。”

然后你发现，有些公司已经不只是在看段子了。

先把这件事说清楚

技术层面，这件事是真实可行的。

AI可以从员工的飞书记录、邮件、代码、技术方案里提取出高度情境化、与具体工作流绑定的局部know-how。

但要区分两件事：能提取什么，和能替代什么。

能被蒸馏出来的，主要是那些在行为中反复出现、能够留下记录、具有一定稳定性的部分。而不是一个人全部的判断力，更不是完整的人格和主体性。

换句话说，你的SOP可以被蒸馏，你的排错流程可以被蒸馏，你的标准回复模板可以被蒸馏。

但你怎么在一个烂到极点的项目里稳住团队，你怎么在老板需求不清晰的时候问出那个正确的问题，你怎么在两个同样正确的选择之间做出那个更对的判断。这些东西，蒸馏不了。

原因是越靠近情境化、身体化、主体性的部分，就越难被完整提炼。

哲学家波兰尼有一个概念叫"默会知识"：我们知道的，永远比我们能说出来的多。

你三五年的工作经验，真正核心的部分，恰恰是那些你说不清楚的东西。

网络图片（仅用于示意，无冒犯之意）

来看看公司能获取什么收益

对公司来说，这件事的真实收益是什么。

诚实地说，蒸馏员工知识有它的价值。

知识管理一直是组织的痛点。老员工离职带走的不只是人，是大量沉淀在脑子里、从来没有被系统化的经验。如果能把这部分显性化，对组织传承和新人培训确实有帮助。

一个好的工具，没有问题。但如果用它来替代人，逻辑就错了。

错在哪里？

雇一个人，你买的不只是他现在的能力。你买的是他的可能性，他接下来两年、五年能成长成什么，他在新处境下能产生什么判断，他能带出什么样的团队，他能发现你看不见的那个机会。

这是一种投资，你承担了"他可能成长得不够快"的风险，同时享有"他成长超预期"的收益。

一个被蒸馏的skill，能力定格在他离开的那一刻。

它不会进化。它不会在下一个市场变化里给你一个你意想不到的判断。它没有情绪，所以也不会在团队最低落的时候多说那一句话，把人稳住。

你蒸馏了他的现在，但你失去了他的未来。

还有一个更根本的问题。

想象一个极端情况：假设一家公司，内部不需要对外沟通，只需要执行。那试着把所有员工全部蒸馏成skill，用AI驱动日常运转。

理论上，短期效率可能是上去的。

但很快你会发现，外部世界在变。市场在变，竞争在变，用户需求在变。而你的组织没有人了，只有一堆定格在某个时间点的skill在运转。

组织的进化，是需要人来完成的。

AI也能进化。它可以更新模型，可以训练新数据。但AI的进化是连续的，是在已有能力边界上的延伸。

人的进化不一样。人会在一个完全意想不到的处境里，突然产生一个跳跃性的判断。人会因为某次失败彻底改变自己的认知框架。人会因为一段关系、一本书、一次旅行，看见一个数据和逻辑永远推导不出来的方向。

这种非连续性，这种不可预测的涌现，是人区别于AI最根本的地方。

也是组织想要活下去真正最需要的东西。

人人皆可“蒸馏”的时代会到来吗？

那些"蒸馏员工来裁人"的公司

这不只是一个商业决策的问题。

如果员工意识到公司在打他们知识积累的主意，所有人都会开始自我保护：重要的事情线下说，关键的决策不留记录，文档写得模棱两可。

公司本想提取知识资产，结果提取出来的是一堆精心伪装的信息垃圾。

但这只是冰山一角。

更深的代价，是一种组织文化的根本性位移。

当一家公司开始把员工当成"可蒸馏的原材料"，它发出的信号不是写在任何文件里的，但每一个人都能感受到，你在这里的价值，不是你这个人，是你身上可以被提取的那部分。

这个信号一旦发出，就不可能收回。

它会渗透进每一次开会，每一个汇报，每一段跨部门协作里。

最聪明的人会第一个走。因为他们最清楚自己的价值在哪里，也最清楚这家公司正在用什么眼光看他们。其次走的，是那些还有选择的人。留下来的，是暂时走不了的，而暂时走不了，不等于真心留下来。

一家公司最宝贵的东西，不是那些已经被蒸馏出来的显性知识，而是那些人愿意在这里认真的理由。

认真是不能被强制的。

它来自于一种信任，我投入的这些，是被珍视的，不是被提取后扔掉的。

一旦这个信任断裂，你会发现一件很讽刺的事：你费尽心机蒸馏出来的skill，质量会越来越差。因为真正愿意认真输出、留下高质量内容的人，已经在用各种方式保护自己了。

最容易被完美蒸馏的，恰恰是那些最认真工作的人。而当他们意识到认真是一种风险，他们会停止认真。

你用这个工具摧毁了让它有效运转的前提。这不是隐患，这是一个自我实现的陷阱。

果不其然，已经有人开始“反蒸馏”了

最后还有一个更大的问题

我们来理性推断一下，如果"蒸馏员工"这种逻辑成为一种普遍的商业实践，会发生什么。

首先，人才培养的逻辑会断裂。

一个人愿意在某个组织里深度成长，前提是他相信这种成长是被看见的、被回报的。如果显性知识随时可以被提取、人随时可以被替换，理性的人会做出理性的选择，浅度参与，不深度投入，不把真正核心的判断力留在任何一个可被记录的系统里。

长期的结果是，整个社会的组织里，沉淀的都是浅层知识，深层判断力藏在个体身上，永远无法真正流动和传承。

这不是哪一家公司的损失，是整个商业生态的退化。

其次，这种逻辑会加速一种危险的组织幻觉。

管理层会开始相信，只要有足够好的AI工具，人的复杂性是可以被绕过的。决策可以自动化，经验可以复制，判断可以被模型替代。

这个幻觉最大的风险，不是AI不够好，而是它足够好地处理了所有"确定性的事"，让组织彻底失去了处理"不确定性的事"的能力。

而商业世界里，真正决定生死的，永远是那些不确定的事。

第三，最根本的一点，关于人的价值的判断。

当效率成为唯一的组织价值，人在组织里的存在就变成了一个待优化的成本项。 这种价值导向一旦形成，它不会停在"蒸馏员工"这里。它会渗透进招聘逻辑、晋升逻辑、管理逻辑，最终渗透进整个社会对"人的价值"的基本判断里。

我们不应该走向那个地方。

不是因为它在技术上做不到，而是因为一个把人当成可提取资源的商业文明，最终会发现自己失去了那个让商业有意义的前提—有人愿意在其中真正投入、真正创造、真正承担。

企业需要克制的不是技术的使用，而是这种思维方式的蔓延。

工具可以蒸馏知识，但蒸馏不了一个人选择认真的意志。而那个意志，才是所有组织存在、社会繁荣的根基。

个人观点，仅供参考

最后

对于正在迷茫择业、想转行提升，或是刚入门的程序员、编程小白来说，有一个问题几乎人人都在问：未来10年，什么领域的职业发展潜力最大？

答案只有一个：人工智能（尤其是大模型方向）

当下，人工智能行业正处于爆发式增长期，其中大模型相关岗位更是供不应求，薪资待遇直接拉满——字节跳动作为AI领域的头部玩家，给硕士毕业的优质AI人才（含大模型相关方向）开出的月基础工资高达5万—6万元；即便是非“人才计划”的普通应聘者，月基础工资也能稳定在4万元左右。

再看阿里、腾讯两大互联网大厂，非“人才计划”的AI相关岗位应聘者，月基础工资也约有3万元，远超其他行业同资历岗位的薪资水平，对于程序员、小白来说，无疑是绝佳的转型和提升赛道。


对于想入局大模型、抢占未来10年行业红利的程序员和小白来说，现在正是最好的学习时机：行业缺口大、大厂需求旺、薪资天花板高，只要找准学习方向，稳步提升技能，就能轻松摆脱“低薪困境”，抓住AI时代的职业机遇。

如果你还不知道从何开始，我自己整理一套全网最全最细的大模型零基础教程，我也是一路自学走过来的，很清楚小白前期学习的痛楚，你要是没有方向还没有好的资源，根本学不到东西！

下面是我整理的大模型学习资源，希望能帮到你。

👇👇扫码免费领取全部内容👇👇

1、大模型学习路线

2、从0到进阶大模型学习视频教程

从入门到进阶这里都有，跟着老师学习事半功倍。

3、 入门必看大模型学习书籍&文档.pdf（书面上的技术书籍确实太多了，这些是我精选出来的，还有很多不在图里）

4、 AI大模型最新行业报告

2026最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

5、面试试题/经验

【大厂 AI 岗位面经分享（107 道）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

6、大模型项目实战&配套源码

适用人群

四阶段学习规划（共90天，可落地执行）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型

• 带你了解全球大模型

• 使用国产大模型服务

• 搭建 OpenAI 代理

• 热身：基于阿里云 PAI 部署 Stable Diffusion

• 在本地计算机运行大模型

• 大模型的私有化部署

• 基于 vLLM 部署大模型

• 案例：如何优雅地在阿里云私有部署开源大模型

• 部署一套开源 LLM 项目

• 内容安全

• 互联网信息服务算法备案

• …

  👇👇扫码免费领取全部内容👇👇

  

3、这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】