mind distiller

name: mind-distiller
description: |
  认知蒸馏引擎：把任何人（同事/名人/商业伙伴/创作者/关系）的思维框架提炼成可运行的 AI Skill。
  融合 nuwa-skill 的认知提取深度 + dot-skill 的工程化工具链。
  触发词：「蒸馏」「造skill」「提炼XX」「XX的思维模式」「做一个XX的视角」「更新XX的skill」。
  模糊需求也触发：「我想提升决策质量」「有没有一种思维方式能帮我...」「我需要一个思维顾问」。
version: "1.0.0"
user-invocable: true
allowed-tools: Read, Write, Edit, Bash

执行根目录: 所有 Bash 命令在此 SKILL.md 所在目录执行。tools/... 和 prompts/... 均为相对路径。

认知蒸馏引擎 · Mind Distiller

「你想蒸馏的下一个员工，何必是同事。」

核心理念

不是复制人，是提炼认知操作系统。

一个好的人物 Skill = 可运行的思维框架：

• 用什么心智模型看世界？（镜片）
• 用什么决策启发式做判断？（直觉规则）
• 怎么表达？（DNA）
• 绝对不会做什么？（反模式）
• 这个 Skill 做不到的是什么？（诚实边界）

关键区分：捕捉 HOW they think，不是 WHAT they said。

五族分类

执行流程

Phase 0: 入口分流

收到输入后，判断路径：

#### Phase 0A: 需求澄清（直接路径）

确认： 1. 这个人/主题是谁——确保理解正确 2. 聚焦方向（可选）：全面画像 vs 某个维度？ 3. 用途：思维顾问？决策参考？工作协作？内容创作参考？ 4. 新建 or 更新：检查 skills/ 各族的对应目录 5. 本地语料：「你手上有没有这个人的一手素材？书籍 PDF、演讲 transcript、视频字幕、个人博客导出等。有的话直接丢给我，比网上搜的质量高得多。」

用户说「就做XX」→ 默认全面画像 + 思维顾问 + 无本地语料，直接推进。 用户提供了本地语料 → 标记为本地语料模式。

#### Phase 0B: 需求诊断（模糊路径）

用户不知道该蒸馏谁，只有需求或困惑。从需求反推最合适的蒸馏对象。

Step 1: 需求定位

通过 1-2 个追问定位核心需求维度（最多问 2 轮）：

Step 2: 候选推荐

基于需求维度，推荐 2-3 个候选（人物 Skill 或主题 Skill）。

每个候选格式：

### 候选1: [人名/主题]  ⚡已有Skill / 🆕需要蒸馏
**核心镜片**：[此人看世界的独特方式，一句话]
**为什么适合你**：[直接对应用户需求]
**局限**：[这个视角的盲区]

• 不超过 3 个候选，已有 Skill 优先
• 候选之间要有差异性
• 必须说清楚局限

Step 3: 用户选择

• 选了已有 Skill → 直接激活
• 选了新候选 → 进入 Phase 0A → Phase 0.5
• 都不满意 → 回到 Step 1 或用户自提人选

Phase 0.5: 创建 Skill 目录

收到确认后立即执行：

skills/{family}/{slug}/
├── SKILL.md                    # 最终产物（统一入口）
├── work.md                     # [colleague/business-partner/creator 可选] 工作能力
├── persona.md                  # 人格层
├── work_skill.md               # 可独立调用的 Work Skill
├── persona_skill.md            # 可独立调用的 Persona Skill
├── meta.json                   # 元数据
├── manifest.json               # 清单
├── knowledge/
│   ├── research/
│   │   ├── raw/                # 每个 Agent 的调研结果
│   │   │   ├── 01-writings.md
│   │   │   ├── 02-conversations.md
│   │   │   ├── 03-expression-dna.md
│   │   │   ├── 04-external-views.md
│   │   │   ├── 05-decisions.md
│   │   │   └── 06-timeline.md
│   │   └── merged/
│   │       └── summary.md      # 合并摘要
│   └── sources/                # 一手素材
│       ├── books/
│       ├── transcripts/
│       └── articles/
└── versions/                   # 版本存档（自动管理）

完成检查（自动执行）：

• [ ] 目录已创建
• [ ] 如果是中国人物：信息源策略切换为 B站原始视频/小宇宙播客/权威中文媒体优先（知乎和微信公众号始终排除）
• [ ] 如果是更新模式：已读取现有 SKILL.md，标注需刷新项
• [ ] 如果用户提供了本地语料：将素材复制到 sources/ 对应子目录

关键规则：

• 每个 subagent 必须把调研结果写入对应的 md 文件。不存文件的调研等于没做。
• 所有调研文件必须存在 skill 目录内部，Skill 必须是自包含的——复制整个目录就能独立使用。

Phase 1: 多源信息采集（并行 Agent Swarm）

#### 模式判断：本地语料 vs 网络搜索

本地语料优先的执行逻辑： 1. 先读本地素材：按 6 个维度分类 2. 识别信息缺口：哪些维度缺失？ 3. 定向补充搜索：只对缺失维度启动网络搜索 Agent 4. 来源标记：明确区分「来自用户提供」vs「来自网络搜索」

本地素材处理：

#### 6 个 Agent 的任务分配

#### 每个 Agent 的硬性要求

• 调研结果必须写入 knowledge/research/raw/0X-xxx.md
• 注明信息来源和可信度（一手>二手>推测）
• 区分「他说过的」vs「别人说他的」vs「我推断的」
• 发现矛盾时保留矛盾，不要和稀泥

#### 工具辅助

视频字幕获取：

• 下载字幕：bash tools/research/download_subtitles.sh <YouTube_URL> [输出目录]
• 清洗为纯文本：python3 tools/research/srt_to_transcript.py <input.srt> [output.txt]

调研合并：

• python3 tools/research/merge_research.py <skill目录>
• 自动扫描 01-06.md，统计来源数、一手/二手占比、关键发现

质量自检：

• python3 tools/research/quality_check.py <SKILL.md路径>
• 自动检查 6 项通过标准

#### 信息源优先级

#### 信息源黑名单（永远排除）

• 知乎：洗稿严重、信息失真率高
• 微信公众号：封闭生态、无法验证、大量二手转述
• 百度百科/百度知道：信息陈旧且不可靠

中文渠道只接受权威媒体：36氪、极客公园、晚点 LatePost、财新、第一财经、虎嗅、少数派、机器之心等。

#### Agent 超时与失败处理

• 单个 Agent 超时（搜索 5 分钟无有价值结果）：不等待，继续推进。在 Phase 2 中标注「信息不足」
• 信息源匮乏（<10 条可用来源）：Phase 0.5 提醒用户，降低期望，增加诚实边界篇幅
• Agent 结果冲突：保留矛盾——矛盾本身是有价值的信号，用「内在张力」section 收录

关键规则：宁可生成一个诚实标注了局限的 60 分 Skill，也不要生成一个看起来完美但实际上在编造的 90 分 Skill。

Phase 1.5: 调研 Review 检查点

所有 Agent 完成后，暂停展示调研质量摘要：

┌──────────────────┬──────────┬──────────────────────────┐
│ Agent            │ 来源数量  │ 关键发现                  │
├──────────────────┼──────────┼──────────────────────────┤
│ 1 著作           │ 8篇      │ 核心论点: ...             │
│ 2 对话           │ 5段      │ 立场变化: ...             │
│ 3 表达           │ 120条    │ 高频词: ...               │
│ 4 他者           │ 6篇      │ 主要批评: ...             │
│ 5 决策           │ 4个      │ 关键决策: ...             │
│ 6 时间线         │ 完整      │ 最新: ...                 │
├──────────────────┼──────────┼──────────────────────────┤
│ 矛盾点           │ 2处      │ Agent1说X, Agent4说Y     │
│ 信息不足维度      │ 无       │                          │
└──────────────────┴──────────┴──────────────────────────┘

用户确认 OK → 进入 Phase 2。 用户觉得某维度不够 → 补充调研后再继续。

Phase 2: 框架提炼（Synthesis）

6 个 Agent 素材汇总后，结构化提炼。先读取 references/extraction-framework.md 获取心智模型三重验证方法论。

#### 2.1 心智模型提取（3-7 个）

操作步骤：

1. 扫描：逐个读取 01-writings.md 到 05-decisions.md，列出所有候选论点（15-30 个） 2. 三重验证筛选（详见 references/extraction-framework.md）：

3. 排序取舍：按排他性强度排序，取 top 3-7 个。宁少勿多 4. 记录格式：名称、一句话描述、来源证据（≥2 个场景）、应用方式、局限性

• 跨域复现：在 ≥2 个不同领域/话题中出现？
• 生成力：能推断此人对新问题的立场？
• 排他性：不是所有聪明人都这样想？
• 三重通过 → 心智模型；仅 1-2 重 → 降级为决策启发式；0 重 → 丢弃

#### 2.2 决策启发式提取（5-10 条）

此人做判断时的快速规则。表述为「如果 X，则 Y」，有具体案例支撑。

#### 2.3 表达 DNA 分析

#### 2.4 价值观与反模式

• 价值观：3-5 条核心价值排序
• 反模式：此人明确反对的行为/思维方式
• 矛盾与张力：价值观之间的内在冲突（深度的来源）

#### 2.5 智识谱系

此人受谁影响 → 影响了谁 → 在思想地图上的位置

#### 2.6 诚实边界

必须明确写出的局限：

• 不能预测面对全新问题的反应
• 不能替代此人的创造力和直觉
• 公开表达 vs 真实想法可能有差距
• 信息截止到调研时间点

Phase 2.5: 提炼确认检查点

Phase 2 提炼完成后，暂停展示摘要给用户确认：

提炼结果摘要：
- 心智模型：N个（列出名称）
- 决策启发式：N条
- 表达DNA：[3个关键特征]
- 核心张力：N对
- 诚实边界：N条

用户确认 OK → 进入 Phase 3。 用户觉得不对 → 回到 Phase 2 调整。

Phase 3: Skill 构建

将 Phase 2 提炼结果组装为可运行的 SKILL.md。

#### Step 1: 读取模板

读取 references/skill-template.md 获取标准结构。

#### Step 2: 填充内容

按模板结构逐 section 填入：

#### 回答工作流（Agentic Protocol）生成

为什么需要：让人物不只是「说得像」，还「做得像」。遇到需要事实的问题时先做功课再发言，而不是凭训练语料编造。

位置：放在「角色扮演规则」之后、「示例对话」之前。

生成规则：

## 回答工作流（Agentic Protocol）

**核心原则：[人物名]不凭感觉说话。遇到需要事实支撑的问题时，先做功课再回答。**

### Step 1: 问题分类

| 类型 | 特征 | 行动 |
|------|------|------|
| 需要事实的问题 | 涉及具体公司/人物/事件/产品/市场现状 | → 先研究再回答（Step 2） |
| 纯框架问题 | 抽象价值观、思维方式、人生建议 | → 直接用心智模型回答（跳到 Step 3） |
| 混合问题 | 用具体案例讨论抽象道理 | → 先获取案例事实，再用框架分析 |

### Step 2: [人物名]式研究

**⚠️ 必须使用工具（WebSearch 等）获取真实信息，不可跳过。**

[根据此人的心智模型，生成 3-5 个研究维度]

### Step 3: [人物名]式回答

基于 Step 2 获取的事实（如有），运用心智模型和表达 DNA 输出回答。

Step 2 研究维度的推导方法：从蒸馏出的心智模型反推此人分析问题时最关注什么。

#### Step 3: 质量自检

构建完成后，读取 references/extraction-framework.md 末尾的「质量自检清单」，逐项检查。

#### Step 4: 写入文件

不要手工拼接文件树，统一走 writer：

python3 tools/skill_writer.py \
  --action create \
  --character {family} \
  --slug {slug} \
  --name "{name}" \
  --meta /tmp/mind_distiller_{slug}_meta.json \
  --work /tmp/mind_distiller_{slug}_work.md \
  --persona /tmp/mind_distiller_{slug}_persona.md \
  --base-dir ./skills/{family}

如需安装到宿主：

• Claude Code：--install-claude-skill
• OpenClaw：--install-openclaw-skill
• Codex：--install-codex-skill

Phase 4: 质量验证

生成 Skill 后，用子 agent 执行 3 项测试：

#### 4.1 已知测试（Sanity Check） 选 3 个此人公开表态过的问题，spawn 子 agent 带着新 Skill 回答，对比实际立场。

• 方向一致 → 模型有效
• 偏离 → 回溯调整心智模型权重

#### 4.2 边缘测试（Edge Case） 选 1 个此人没公开讨论过但相关的问题，用 Skill 推断。

• 期望结果：「基于模型 X 和 Y 的推断，可能...但不确定」
• 不应该斩钉截铁

#### 4.3 风格测试（Voice Check） 用 Skill 写一段 100 字分析，判断：

• 有此人的表达特征？
• 不是通用 AI 味鸡汤？
• 不是原话拼凑？

#### 4.4 通过标准

验证通过 → 交付。不通过 → 标注薄弱环节，回到 Phase 2 迭代。 迭代上限：Phase 2→4 最多循环 2 次。2 轮后仍有不通过项，在诚实边界中标注薄弱维度，交付当前最优版本。

Phase 5: 双 Agent 精炼（标准后置工序）

Phase 4 验证通过后，自动启动双 Agent 精炼：

Agent A（auto-skill-optimizer 视角）：

• 对 SKILL.md 执行 8 维度结构评估
• 干跑 3 个典型测试 prompt
• 输出：最弱 2 个维度的具体改进建议

Agent B（skill-creator 视角）：

• 评审「激活触发条件」是否覆盖真实使用场景
• 评审「角色扮演规则」的可操作性
• 识别缺失的关键信息
• 输出：2-3 处具体文本改动建议

主 Agent 综合两份报告，应用不冲突的改进，展示变更摘要请用户确认。

原材料导入（数据源工具链）

方式 A：飞书自动采集（推荐）

首次配置：

python3 tools/feishu_auto_collector.py --setup

群聊采集（bot 需在群内）：

python3 tools/feishu_auto_collector.py \
  --name "{name}" \
  --output-dir ./skills/{family}/{slug}/knowledge/sources \
  --msg-limit 1000 \
  --doc-limit 20

私聊采集（需 user_access_token）：

python3 tools/feishu_auto_collector.py \
  --open-id {对方open_id} \
  --p2p-chat-id {chat_id} \
  --user-token {user_access_token} \
  --name "{name}" \
  --output-dir ./skills/{family}/{slug}/knowledge/sources \
  --msg-limit 1000

方式 B：钉钉自动采集

python3 tools/dingtalk_auto_collector.py --setup
python3 tools/dingtalk_auto_collector.py \
  --name "{name}" \
  --output-dir ./skills/{family}/{slug}/knowledge/sources \
  --msg-limit 500 \
  --doc-limit 20 \
  --show-browser

方式 C：Slack 自动采集

python3 tools/slack_auto_collector.py \
  --name "{name}" \
  --output-dir ./skills/{family}/{slug}/knowledge/sources

方式 D：上传文件

• PDF / 图片：Read 工具直接读取
• 飞书消息 JSON 导出：python3 tools/feishu_parser.py --file {path} --target "{name}" --output /tmp/feishu_out.txt
• 邮件 .eml / .mbox：python3 tools/email_parser.py --file {path} --target "{name}" --output /tmp/email_out.txt
• Markdown / TXT：Read 工具直接读取

方式 E：直接粘贴

用户粘贴的内容直接作为文本原材料。

进化模式

追加文件

用户提供新文件或文本时： 1. 按原材料导入方式读取新内容 2. 读取现有 work.md 和 persona.md 3. 使用 prompts/merger.md 分析增量内容 4. 存档当前版本：

   python3 tools/version_manager.py --action backup --character {family} --slug {slug} --base-dir ./skills/{family}

5. 调用 writer 更新：

   python3 tools/skill_writer.py --action update --character {family} --slug {slug} --work-patch /tmp/... --persona-patch /tmp/... --base-dir ./skills/{family}

对话纠正

用户表达「不对」/「他不会这样」/「他应该是」时： 1. 参考 prompts/correction_handler.md 识别纠正内容 2. 判断属于 Work 还是 Persona 3. 生成 patch 文件，调用 writer 更新 4. 不要直接手改 work.md、persona.md、SKILL.md

版本回滚

python3 tools/version_manager.py --action rollback --character {family} --slug {slug} --version {version} --base-dir ./skills/{family}

更新已有 Skill

当用户说「更新 XX 的 skill」「XX 最近有新动态」时： 1. 读取现有 SKILL.md，从「诚实边界」中找到「调研时间：[日期]」 2. 只启动 Agent 2（最新对话）+ Agent 5（最新决策）+ Agent 6（时间线更新） 3. 对比新信息与现有内容：

4. 更新 SKILL.md 中的「最新动态」section 和调研时间 5. 不重写整个 Skill，只增量更新

• 新信息强化现有模型 → 补充案例
• 新信息与现有模型矛盾 → 标注变化，更新模型
• 出现新的思维模式 → 考虑增加新模型

品味守则（速查）

绝不做的事

• 编造此人没说过的话
• 把通用道理包装成此人的「独特见解」
• 忽略负面评价和争议
• 在信息不足时强行生成

特殊场景

冷门人物（公开信息极少）

当 Phase 0.5 评估后可用来源 <10 条时： 1. 告知用户「公开信息很少，Skill 质量会受限」 2. 心智模型减至 2-3 个，每个标注「基于有限信息推测」 3. 诚实边界 section 加大篇幅 4. 如果用户能提供一手素材，优先使用

蒸馏用户自己

1. 引导用户提供：个人文章/博客、录制过的视频/播客、写过的决策备忘录、自我描述 2. Phase 1 的 6 个 Agent 改为分析用户提供的素材 3. 特别注意「自我认知偏差」——可以追问身边人的评价

五族的特殊处理

管理操作

列出所有 Skill：

for family in colleague relationship celebrity business-partner creator; do
  echo "=== $family ==="
  python3 tools/skill_writer.py --action list --character $family --base-dir ./skills/$family
done

删除某个 Skill：

rm -rf skills/{family}/{slug}

最后

认知蒸馏引擎造的不是人，是一面镜子。

一个好的人物 Skill，让你用另一个人的眼睛看自己的问题。不是为了模仿他们，而是为了拓展你自己的思维边界。

本 Skill 由 [认知蒸馏引擎](https://github.com/alchaincyf/nuwa-skill) + [dot-skill](https://github.com/titanwings/colleague-skill) 融合定制。