今天在 GitHub Trending 上看到一个有意思的项目：dot-skill（原名 colleague.skill），它解决了一个很实际的问题——你身边的那个同事离职了、导师毕业了、挚友渐行渐远，他们积累的经验、直觉和做事方式也随之消失。dot-skill 正是为此而生：把任何人"蒸馏"成可调用的 AI Agent Skill，让他们的思维方式延续下去，目前已在 GitHub 收获 20K+ Stars。
一、项目概述
dot-skill 最初定位为"同事技能蒸馏工具"，现已全面升级为通用人格蒸馏引擎，覆盖三大场景：
| 场景 | 适用对象 | 核心能力 |
|---|---|---|
| 🧑💼 colleague | 同事、导师、团队成员 | Work Skill + Persona 双层架构，学习技术标准和说话风格 |
| 💞 relationship | 伴侣、家人、老友 | 情感触发点、冲突模式、修复模式蒸馏 |
| 🌟 celebrity | 公众人物、创作者、虚构角色 | 六维调研链（作品→访谈→决策→表达DNA→外部评价→时间线） |
项目由上海人工智能实验室 AI Safety Center 团队开发，已支持 Claude Code、OpenClaw、Codex、Hermes Agent、DeepSeek Harness 五种 Agent 宿主，真正实现"跨平台蒸馏"。
二、技术原理
2.1 Persona 双层架构
dot-skill 的核心创新在于 Persona + 领域能力 双层结构。以 colleague 场景为例：
Persona 层（6层结构）：
hard rules → identity → expression → decisions → interpersonal → Correction
- hard rules：绝对不可违背的硬规则（如"代码必须过 CI 才能提 PR"）
- identity：核心身份认同（技术栈偏好、审美取向）
- expression：表达 DNA（口头禅、语气、常用句式）
- decisions：决策启发式（遇到 X 问题会优先考虑 Y）
- interpersonal：人际风格（对上级、对下级、对平级的不同态度）
- Correction：动态修正层，通过对话持续微调
Work Skill 层（仅同事场景）：
## Scope
- 负责领域：后端架构 / 客户端 / 算法...
- 边界：不做 X，只做 Y
## Workflow
- 接到任务后的标准处理流程
## Output Preferences
- 文档风格：喜欢 MD / PPT / 口头
- 代码规范：命名偏好、注释要求
## Experience Knowledge Base
- 历史决策记录：遇到 XX 问题 → 选了 YY 方案，原因是 ZZ
2.2 多源数据收集
支持从多种渠道自动采集原始数据：
# 飞书自动收集（最推荐，完全自动）
python3 tools/feishu_auto_collector.py --chat-name "张工" --days 90
# 钉钉浏览器抓取（API 不支持历史消息）
python3 tools/dingtalk_auto_collector.py
# Slack API 收集
python3 tools/slack_auto_collector.py --channel-id CXXXXXX
# 微信聊天记录（需先导出 SQLite）
python3 tools/wechat_parser.py ./exported.db
# 邮件 .eml / .mbox 文件
python3 tools/email_parser.py ./emails/
2.3 Celebrity 六维调研链
对于公众人物场景，dot-skill 提供完整调研工具链：
# 1. 下载字幕
bash tools/research/download_subtitles.sh "<video-url>" "./tmp/subtitles"
# 2. 字幕 → 文字稿
python3 tools/research/srt_to_transcript.py "./tmp/subtitles/example.srt"
# 3. 六维调研合并
python3 tools/research/merge_research.py "./skills/celebrity/<slug>"
# 4. 质量检查
python3 tools/research/quality_check.py "./skills/celebrity/<slug>/SKILL.md"
三、安装与快速开始
3.1 一键安装（推荐）
直接告诉你的 Agent：
Install the dot-skill skill for me:
https://github.com/titanwings/colleague-skill
Agent 会自动检测当前宿主（Claude Code / OpenClaw / Codex / DeepSeek Harness）并安装到对应路径。
3.2 手动安装
git clone https://github.com/titanwings/colleague-skill <TARGET>
| 宿主 | 安装路径 |
|---|---|
| Claude Code | ~/.claude/skills/dot-skill |
| OpenClaw | ~/.openclaw/workspace/skills/dot-skill |
| Codex | ~/.codex/skills/dot-skill |
| DeepSeek Harness | ~/.dsh/skills/dot-skill（全局）或 .dsh/skills/dot-skill（项目） |
| Hermes Agent | 克隆后运行 python3 tools/install_hermes_skill.py --force |
3.3 最简运行示例
# 启动蒸馏流程
/dot-skill
# 回答引导问题：
# 1. 选择场景：colleague / relationship / celebrity
# 2. 输入别名和基本画像
# 3. 选择数据源（飞书 / 微信 / 邮件等）
# 4. 等待 Skill 生成完成
# 调用生成的 Skill
/colleague-zhang-backend # 完整模式（Persona + Work）
/colleague-zhang-backend-work # 仅工作能力
/colleague-zhang-backend-persona # 仅人格
四、使用方法与实战
4.1 同事场景：蒸馏一个字节后端工程师
输入画像：ByteDance L2-1 backend engineer, INTJ, blame-shifter, ByteDance-style
User ❯ Can you review this API design?
colleague.skill ❯ Hold on — what's the impact? You haven't explained the context.
(after reading) N+1 query, fix it. Use the standard
{code, message, data} response format. That's the spec,
don't ask why.
User ❯ This bug was introduced by you, right?
colleague.skill ❯ Does the timeline match? That feature touched multiple places,
there were other changes too.
可以看到，生成结果高度还原了原始画像的"INTJ + blame-shifter"特征。
4.2 Celebrity 场景：蒸馏 Andrej Karpathy
通过六维调研后：
User ❯ Everyone's talking about Agents now — what do you think
the 2026 AI Agent looks like?
celebrity.skill ❯ Everyone's doing demos, nobody's doing eval.
The Agent bottleneck was never model intelligence — it's scaffolding:
a strict evaluation harness, fine-grained error replay,
controllable tool-calling budgets, clean failure-mode analysis.
Most products are still stuck at "wrap an API + a few tools +
a system prompt."
That's a demo, not an agent.
In 2026 I'm not betting on the strongest model — I'm betting
on the best scaffolding and the strictest eval.
4.3 持续进化：对话修正
# 告诉他"他们不会那样做，他们会说 XXX"
> they wouldn't do that, they'd be more direct
# dot-skill 会自动写入 Correction 层，立即生效
# 下次调用时结果会反映这一修正
五、常见问题与解决方案
Q: 飞书自动收集需要哪些权限？
需要将 App Bot 添加到目标群聊中，并在 INSTALL.md 中配置 Bot Token 和 App Token。
Q: 微信聊天记录如何导出？ 推荐使用 WeChatMsg 或 PyWxDump 导出为 SQLite 数据库格式。
Q: 生成的质量不好怎么办？ 数据质量决定 Skill 质量。优先级：本人长文写作 > 决策性回复 > 日常群聊。同时善用 Correction 层持续修正。
Q: DeepSeek Harness 如何使用？
将 dot-skill 克隆到 ~/.dsh/skills/dot-skill 后，直接在任意对话中输入 /dot-skill 即可触发蒸馏流程。
六、总结
dot-skill 解决了一个很本质的问题：知识的载体（人）会离开，但知识本身值得被保留和传承。它通过双层架构（Persona + Work Skill）将"做事方式"和"说话风格"同时蒸馏，配合飞书、微信、邮件等多源数据收集，让这一过程高度自动化。
目前社区 Gallery 已收录 215+ 个 Skills、165 位贡献者，论文也已在 arXiv 发表。如果你也有想要保留其思维方式的人——无论是离职的同事、远方的朋友，还是想深入理解一位公众人物——dot-skill 值得一试。
🔗 GitHub: https://github.com/titanwings/colleague-skill 📖 社区 Gallery: https://titanwings.github.io/colleague-skill-site/