AI思维蒸馏开源工具女娲.skill:输入一个名字,把乔布斯式判断框架装进AI

女娲.skill是一个MIT协议开源项目,旨在将人类专家的判断框架(而非语气或人设)蒸馏为可安装的Agent Skill。其核心是五层提取结构(表达DNA、心智模型、决策启发式、反模式底线、诚实边界)与三道质量防线(心智模型三重验证、先验快照、封存考题),支持Claude Code等50+ runtime。已发布15个高保真官方Skill,盲测A级(89–97分),强调框架可验证、边界可声明、版权可分离。

AI思维蒸馏开源工具女娲.skill:输入一个名字,把乔布斯式判断框架装进AI

「让 AI 用乔布斯的方式思考」这件事,现在的主流做法是写提示词:「你是一个像史蒂夫·乔布斯那样的产品天才,说话直接、追求极致……」这样出来的东西能用,但用两次你就会发现不对——它是在模仿语气,不是在用判断框架。你问它一个新产品该不该做,它只会说「这不够 insanely great」,但不会告诉你它凭什么这么判断。

开源项目女娲.skill(nuwa-skill)换了一条路:你输入一个名字,它自己去调研、提炼、验证,最后产出一个可以直接安装使用的 Agent Skill。这个 Skill 面对新问题时,能做出那个人会做的判断,而不是背那个人说过的话。项目由 B 站 UP 主花叔开源,MIT 协议,核心语言 Python,截至 2026 年 11 月已在 GitHub 收获 38775+ star。

下载地址:https://pan.quark.cn/s/ae18534acf17

下面进入正文,从设计机制、工作流、官方人物库到安装使用,把这套「思维蒸馏」方法论一次讲透。

一、它解决什么问题

提示词路线和蒸馏路线的差别,可以概括成一张表:

对比维度提示词模仿女娲.skill 蒸馏
产出物一段人设描述可安装的 Agent Skill 文件包
模仿对象语气、口头禅、表达习惯认知框架、决策启发式、价值底线
面对新问题套用风格说话用那个人的方式做判断
可验证性无法验证「像不像」独立盲测评分,写进 FIDELITY.md

关键区别在第三行:你让提示词版的「乔布斯」评价产品,它输出的是乔布斯风味的句子;你让蒸馏版评价产品,它输出的是乔布斯会怎么拆解这个问题、先看什么、砍掉什么。前者是换皮肤,后者是换操作系统。

二、核心设计:五层提取与三道防线

2.1 提取的五层结构

女娲从公开材料里提取五层东西,一层比一层难:

  1. 表达 DNA(怎么说话):语气、节奏、用词偏好,以及「什么话他绝不会说」。
  2. 心智模型(怎么想):跨领域反复出现的认知框架。作者的观点是:工作习惯可以靠流程文档传递,但让芒格和马斯克面对同一个问题做出不同判断的,是认知框架。
  3. 决策启发式(怎么判断):遇到某类问题时他具体怎么下手——先看什么、先算什么、什么条件下会掉头。
  4. 反模式与底线(什么不做):最容易被忽略的一层,但它决定了 Skill 的边界感。
  5. 诚实边界(知道局限):明确写下这个 Skill 不该回答什么。

2.2 心智模型的筛选:三重验证

真正让这套方法论不流于形式的,是对「心智模型」的准入门槛,三条全过才算一个:

  • 这个模型必须在他的言行里跨两个以上领域反复出现;
  • 必须能用它推断出他对一个全新问题的立场;
  • 不能是「所有聪明人都这么想」的通用道理。

第三条最狠——它把「第一性原理」「长期主义」这类人人都会说的通用词挡在门外,只留下这个人独有的判断杠杆。

2.3 先写先验快照:防止产出退化成百科词条

在查任何资料之前,先让模型把「不查资料就知道的内容」写下来。之后的调研只找三种东西:推翻它的、比它深的、它没有的。模型本来就能答出来的东西,不占 Skill 的篇幅。没有这一步,调研很容易变成把维基百科抄一遍。

2.4 封存考题:验证时不给看答案

采集阶段除了收集公开材料,还会同时封存一批这个人真实做过的决策和完整回答,提炼环节看不到,留到最后当考题。这样验证时考的不是「Skill 记不记得他做过什么」,而是「Skill 能不能推出他当时的选择」。

三、五阶段工作流拆解

五个阶段,每一步都有明确产出:

阶段做什么产出
1. 先写先验快照查资料前先写下「不查就知道的内容」模型已知清单,作为调研排除表
2. 采集与封存收集六类材料,封存真实决策著作、播客访谈、社交媒体、批评者视角、决策记录、人生时间线
3. 提炼按五层框架加三重验证提取5-8 个招式、3-7 个心智模型、带出处的案例卡、至少 2 条常见误读
4. 成形组装三层产物350 行以内的 SKILL.md、案例库 casebook.md、原话库 voice.md
5. 验证独立 agent 盲测FIDELITY.md 评分报告,输了也照写

两个少见的细节值得一提:

  • 批评者视角单独列一类。只收集赞美是提炼不出边界的,黑他的人怎么说他,恰恰是划定「他不会做什么」的原料。
  • 「常见误读」是必填项。它会明确写下「大家以为他会这么想,其实他不会」,直接对冲提示词模仿最容易犯的错。

每个 Skill 成品自带七条运行纪律,比如「材料里没有,不等于他没说过」「原话和推演分开说」——后者也是版权层面的自我保护。

四、15 个官方人物 Skill 与保真度评分

已经蒸馏好的官方人物有 14 位加 1 个主题包,每个都是独立仓库,可以单独安装。作者做了一件同类项目里少见的实事:全部 15 个 Skill 过了独立双 agent 盲测,评审不知道哪份回答带 Skill,全员 A 级(85 分以上):

人物 Skill保真度评分
MrBeast97
纳瓦尔97
塔勒布97
乔布斯97
Karpathy97
Paul Graham97
张雪峰97
芒格96
费曼96
X 导师(主题包)96
特朗普95
Ilya Sutskever94
张一鸣93
孙宇晨91
马斯克89

评分卡放在每个 Skill 目录的 FIDELITY.md 里,方法论在 references/fidelity-scorecard.md,分数怎么来的可以逐项核对。主题包那个「X 导师」蒸馏的是 X/Twitter 运营方法论——女娲的第一个「非人类」作品。

五、安装与使用

产出物就是一份 markdown 加两个参考文件,安装很轻。官方给了三条路:

  1. 通用 skills 安装器:走克隆仓库流程,一条命令装进对应 runtime 的 skills 目录;
  2. 手动克隆:把仓库克隆到对应目录(Claude Code 是 ~/.claude/skills/,DeepSeek Harness 是 ~/.dsh/skills/ 或项目内 .dsh/skills/);
  3. 直接贴内容:把 SKILL.md 的内容贴进对话里用,网络不通时的兜底方案。

装好后在使用页直接说「女娲,蒸馏一个某某人物」即可触发完整五阶段流程。仓库结构如下:

nuwa-skill/
├── SKILL.md                  # 女娲本体(蒸馏流程的定义)
├── references/               # 方法论
│   ├── extraction-framework.md   # 提炼框架
│   ├── research-playbook.md      # 调研手册
│   ├── validation-playbook.md    # 验证手册
│   └── fidelity-scorecard.md     # 保真度评分卡
└── examples/                 # 13 个人物 + 1 个主题的完整示例
    └── jobs/                 # 乔布斯示例含完整实战对话记录

卸载也简单:删掉对应 skills 目录即可(DeepSeek Harness 里也可以用 dsh plugin remove 命令移除)。

六、适合谁、不适合谁

适合:

  • 想让 AI 帮忙做判断、而不只是帮忙写东西的人——你要的不是「帮我写一段乔布斯风格的文案」,而是「用乔布斯的框架看这个产品该不该做」;
  • 已经在用 Agent Skills 生态的人:基于开放协议,不绑定单一工具,Claude Code、Codex、Cursor、Gemini CLI、OpenCode、DeepSeek Harness 等都能用,官方称兼容 50 多个 runtime;
  • 想给自己或团队沉淀「判断方式」的人——这套方法论不只能蒸馏名人,也能用来整理团队里那位老法师的决策习惯。

不适合:

  • 想找角色扮演玩具的人:它明确不是角色扮演,产出的是判断框架不是人设皮肤;
  • 指望它百分之百准的人:作者自己写了三条诚实边界;
  • 完全不想读文档的人:安装很轻,但要用好得理解「五层」和「五阶段」,否则会觉得它只是在慢慢聊天。

七、使用避坑与诚实边界

上手前先把作者自己承认的六条局限看完:

  1. 蒸馏不了直觉。框架能提取,灵感不能。芒格那句「我知道它会失败,但我说不出为什么」,任何方法论都提不出来。
  2. 捕捉不了突变。人物 Skill 是截止调研时间点的快照,这个人后来改主意了,Skill 不会知道。
  3. 公开表达不等于真实想法。它只能基于著作、访谈、社交媒体等公开信息。
  4. 网络不通时安装会卡。安装器走克隆仓库流程,网络不好会卡在克隆那一步,备选是手动克隆或直接贴 SKILL.md 内容。
  5. 核心文件不接受外部 PR。作者把 SKILL.md 当核心资产,发现问题去开 issue;自己蒸馏的人物 Skill 走 COMMUNITY.md 索引收录(跑评分卡拿到 B 级以上即可提收录)。
  6. 占上下文。SKILL.md 最多 350 行,加上案例库和原话库,一个 Skill 实际加载吃掉的上下文不算少,同时装十几个要注意预算。

八、常见问题(FAQ)

Q1:这算不算让 AI 角色扮演? 不算。角色扮演是换语气,女娲是换判断框架。它的产出会让 AI 用那个人的方式分析问题,而不是用那个人的口吻背台词。

Q2:到底准不准? 15 个官方 Skill 盲测全员 A 级,最高 97 最低 89。但要清醒:盲测题目是作者自己出的,这个分数应理解为「在作者设计的考卷上表现好」,不是绝对准确率。

Q3:它明确做不到什么? 三条:蒸馏不了直觉;捕捉不了突变(只是时间点快照);公开表达不等于真实想法。

Q4:要花钱吗? 项目 MIT 免费。但蒸馏过程要消耗模型 token,用哪个模型就算哪个模型的账,花多少取决于目标人物的资料量。

Q5:能不能蒸馏我身边的人? 能,前提是你得有足够的公开材料或自己整理的记录。没有材料,提炼环节只能靠模型猜,出来的东西和写一句提示词没区别。

Q6:产出放在哪里、怎么卸载? 写进对应 runtime 的 skills 目录(Claude Code 是 ~/.claude/skills/),卸载删目录即可。

Q7:能商用吗? MIT 协议允许商用。但产出物里如果大量引用某个人的原话,那是另一个层面的版权问题——作者把原话和推演分开存放,部分就是为了把这件事划清楚。

九、总结

  • 核心价值:把「模仿名人」从换语气升级为换判断框架——五层提取(表达 DNA、心智模型、决策启发式、反模式底线、诚实边界)是整套方法论的地基;
  • 三道防线保证产出质量:心智模型三重验证挡掉通用道理、先验快照挡掉百科式注水、封存考题保证盲测公平;
  • 15 个官方人物 Skill 全员 A 级(89-97 分),评分卡公开可查,每个都是独立仓库可单独安装;
  • 安装轻、卸载简单,产出就是一份 markdown 加两个参考文件,不联网也能用;
  • 边界要记牢:蒸馏不了直觉、捕捉不了突变、公开表达不等于真实想法,别把它当百分百准确的「数字分身」。

整个流程里最值得借鉴的其实是方法论本身:先写先验、只找推翻自己的资料、把真实案例留作考题——就算不装任何 Skill,这三招搬到你自己的 AI 工作流里也成立。

你最想蒸馏谁的思维方式?评论区聊聊。如果觉得本文有用,点个赞收藏防走丢。

参考资料:GitHub 开源仓库 https://github.com/alchaincyf/nuwa-skill (MIT License,文档与评分卡见仓库 references/ 目录)

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址