第三篇 · 进阶系统与 AI 员工
第 22 章 把一本书、一个视频、一套方法，蒸馏成能跑的 Skill
把一套已经理解并跑过的方法，蒸馏成一套 AI 员工能在真实场景里自动调出来、直接照着干的可执行 Skill 集合——而不是又一份没人翻的笔记。
问题起点：知识读了，却用不起来
AI 在训练时已经吃进了大量经典著作，但真到你问它一个具体问题，它常常给你"正确的废话"——每个字都对，就是没有能落到你这件事上的步骤。这不是它在瞎编（不是幻觉），是调用机制出了问题：它知道书里有什么，却不知道在你这个场景下，该主动调出哪一个框架。
人也一样。你读完一本营销书，笔记记了、金句划了，合上书觉得自己升级了。两周后真要定选题、写方案，那几套方法却怎么都抓不住。知识在记忆里，但激活的路径不清晰。
什么是知识蒸馏
知识蒸馏（把知识提纯成 Skill）指的是：从一本书或一个视频里，提取出带有独立触发条件和执行步骤的最小知识单元（一个 Skill），让 AI 员工在遇到对应场景时，能自动激活、给出可以直接照做的行动路径。
化学里的"精馏"是按沸点把混合物分离成不同纯度的组分。知识蒸馏是按框架 / 原则 / 案例 / 反例 / 术语五个维度，把书或视频里的东西分离开，再只把真正有用的那部分，提纯成能跑的 Skill。
摘要（把原文压短）、读书笔记（把原文重新排版）、RAG 检索库（把原文切片存起来等你去查）。
把方法论变成 AI 员工能在真实场景下自动调用的执行单元。摘要帮你回忆，Skill 帮 AI 干活。
六阶段蒸馏 SOP
把一本书或一组视频蒸馏成一套 Skill，走六个阶段。先看整条流水线，再一段段拆开：
阶段 0整书 / 整片理解
不要一上来就摘金句，先读清整本书的骨架：
- 全书主旨是什么；
- 核心论证链怎么一步步走下来；
- 关键术语，作者是怎么定义、怎么用的；
- 作者自己的局限和盲点在哪。
这一步决定后面提取的质量上限。跳过它直接摘，最容易把作者反对的观点，当成他推荐的方法抄下来。
阶段 1五个维度并行提取
让五路同时从五个维度扫全文，各扫各的、互不干扰，避免一条线读下来漏掉视角：
| 提取维度 | 提取什么 |
|---|---|
| 框架 | 作者搭起来的分析框架、决策框架 |
| 原则 | 能跨场景复用的行为原则 |
| 案例 | 作者举的正面案例、成功路径 |
| 反例 | 作者举的失败案例、反面教训 |
| 术语 | 作者的专有术语，和它的定义 |
阶段 2三重验证筛选
每一条候选知识，都要过三关，过不了就淘汰：
| 验证 | 问自己一句 |
|---|---|
| 跨域验证 | 这个方法在书里，至少两个不同场景出现过吗？只出现一次的是孤证。 |
| 预测力测试 | 能用它推导出书里没直接讲到的问题吗？ |
| 独特性检验 | 是不是随便谁都能说出来的常识？常识不构成 Skill。 |
宁缺毋滥。一本书通常能扒出 50–100 条候选，过完这三关，往往只留下 10–25 条。
阶段 3构造 Skill
把每一条过关的知识，写成一个 Skill。核心、也是最难的一步，是设计触发条件——没有触发条件的 Skill，AI 员工在真实任务里根本认不出该什么时候调它。一个 Skill 至少要说清四件事：
举个 Luna 客群里的例子。一位做课程与服务的老师，把自己跑过很多遍的"咨询到报名"那套答疑话术，蒸馏成一个客户答疑 Skill，它的结构就是一条有边界的流水线：
触发：有人问"这门课适合我吗 / 和别的有什么区别" 输入：课程事实、常见异议清单、客户这句话 步骤：先判断客户卡在哪一步，再给对应回应 产出：一段可以直接发出去的答复草稿 边界：改价格、给承诺、谈退款 → 停下来，交回老师本人确认
阶段 4链接：把 Skill 连成一张网
找出 Skill 之间的关系，让它们连成一张网，而不是一堆散件：
- 依赖：A 要先用到 B 的产出，才能执行；
- 对比：A 和 B 面对相似场景，但方向相反；
- 组合：A 和 C 配着用，效果更好。
连成网之后，AI 员工遇到复杂问题时，能一次调出一组配合的 Skill，而不只是单个。
阶段 5压力测试
- 诱饵测试：故意喂它一个不该触发的场景，看这个 Skill 忍不忍得住、能不能不激活。一个没有边界的 Skill，在错的场景里被调出来，只会帮倒忙。
- 执行验证：喂它一个真实问题，看它给的是能落地的步骤，还是又一段"正确的废话"。
蒸馏出来长什么样
一本书蒸馏完，产物是一套 Skill 集合，通常是这样一个文件夹：
book-skill/
├── README.md # 书目信息、蒸馏说明、适用场景
├── skills/
│ ├── skill-01.md # 每个 Skill 一个独立文件
│ ├── skill-02.md
│ └── ...
├── index.md # Skill 之间的关系网络（阶段 4 的产物）
└── tests/
├── skill-01-test.md # 每个 Skill 的测试用例
└── ...
每个 Skill 文件里都含：触发条件、执行步骤、输出格式、边界限制、测试用例。测试用例写成标准格式后，产物还能被自动进化工具接着优化——不是一次性的死文件（这一点下面第 9 节会展开）。
它和 RAG 到底差在哪
这是用的人最常问的一句。一句话说清：RAG 解决"知识管理"——让你能查到书里有什么；知识蒸馏解决"知识运用"——让 AI 员工在对的时刻，主动拿出对的框架。当你根本不知道该问什么的时候，RAG 帮不了你。
| 维度 | RAG | 知识蒸馏（Skill） |
|---|---|---|
| 本质 | 检索——找出最相关的原文片段 | 提炼——从原文里提取可执行的方法 |
| 使用前提 | 你得先知道该问什么 | 你描述问题，Skill 自己识别并激活 |
| 质量控制 | 无——什么内容都能入库 | 三重验证过滤，宁缺毋滥 |
| 调用方式 | 被动等你查询 | 主动匹配场景、主动触发 |
| 知识形态 | 存原文（记住知识） | 提纯成执行步骤（运用知识） |
| 边界控制 | 无 | 诱饵测试确保不乱激活 |
| 资源消耗 | 较重（要维护向量索引） | 较轻（几个 Skill 文件就行） |
和 Karpathy "LLM 知识库" 的差别
有人会把它和 Andrej Karpathy 提的"LLM 知识库（LLM Wiki）"搞混。Karpathy 的思路是：把原始资料索引进目录，让 LLM 编译成一个 Wiki，再对 Wiki 做问答、把结果回填、持续增强。知识蒸馏的前两步（整书理解、并行提取）确实吸收了这个思想——先让 AI 深度读、结构化整理、建索引。差别在最后几步：
| 对比点 | LLM 知识库 | 知识蒸馏 |
|---|---|---|
| 产物形态 | Wiki 条目（结构化知识库） | Skill 集合（可执行单元） |
| 使用方式 | 用户主动去查 | AI 员工被触发后主动激活 |
| 解决问题 | 知识管理 | 知识运用 |
两种方案不冲突，只是目标不同：一个帮你存好、查到，一个帮 AI 在对的时刻用出来。
视频也能蒸馏
视频和书的唯一区别是：得先把视频变成文字，再进同一套六阶段 SOP。整条流水线是这样：
- 视频下载：yt-dlp 支持主流平台，输入链接就能下；视频号因平台限制，暂时没法自动化。
- 音频转写：本地 Whisper 能用，但长视频慢（一小时的视频，本地转写要花掉将近一小时）；量大、要批处理，建议用转写 API。
- 多个视频合并蒸馏：同一主题的好几个视频可以合起来蒸馏，产出一套统一的 Skill，重复的原则会被自动去重合并，不会同一条被拆成好几个。
什么材料适合蒸馏
不是所有东西都值得蒸馏。方法论密度越高越划算，纯叙事、纯金句的越不划算：
| 材料类型 | 适合程度 | 说明 |
|---|---|---|
| 方法论密度高的书 | ★★★★★ | 框架清晰、原则能提，最适合 |
| 访谈 / 课程视频 | ★★★★☆ | 结构化程度高，适合 |
| 长视频 / 播客 | ★★★☆☆ | 能用，知识密度看内容 |
| 金句散文类 | ★★☆☆☆ | 方法论少，产物质量有限 |
| 小说 / 叙事文学 | ★☆☆☆☆ | 没有可提取的方法框架，不适合 |
一个前提：蒸馏前，最好自己先把原材料读 / 看过一遍。因为你得判断哪些方法是重点、在三重验证的边界情况上得由你拍板。读过之后再蒸馏，吸收率明显更高——蒸馏不是替代阅读，是读完之后把知识结构化的工具。
蒸馏出来的 Skill，还会自己进化
前面说过，每个 Skill 都自带测试用例。把这些测试用例写成标准格式后，产物就能交给自动进化工具：它会自动评估、改进、再测试，而且分数只升不降。
这意味着蒸馏出来的东西不是静态的——随着 AI 员工在真实任务里用出反馈，这套 Skill 可以持续自动优化，一点点逼近这本书的方法在你真实场景下的最佳用法。
它有多耗资源、该配什么模型
蒸馏是个很吃算力（token）的活，主要耗在这几步：阶段 0 要把整本书读进上下文、阶段 1 五路并行、阶段 2 多轮推理做验证、阶段 5 跑多组测试。所以配模型时要分工：
- 任务拆解、蒸馏协调：用推理能力强的模型当"包工头"；
- 并行提取、验证：可以用性价比高的模型干；
- 长上下文那步：选原生支持长上下文的模型，别让整本书读到一半被截断。
至于具体要烧多少算力、跑多久，各家工具、各种材料差别很大。下面是工具方公开的参考量级（不是我们自己的实测数字，你实际跑的时候以你用的工具为准）：
| 场景 | 大致算力（token） | 大致耗时 |
|---|---|---|
| 蒸馏一本普通书 | 数万至十余万 | 30–90 分钟 |
| 蒸馏 26 集课程视频（约 4 小时） | 较高 | 约 1 小时 |
| 蒸馏 4 个主题视频（约 80 分钟） | 中等 | 约 40 分钟 |
— 以上量级引自工具方公开说明，供估算参考，非本白皮书实测。
蒸馏出来的 Skill，还能分享和复用
蒸馏产物有个很值钱的特点：它能直接分享、直接复用。
- 直接装来用：把仓库地址给 AI 员工，让它自动装上对应 Skill 就能用，不用自己重新蒸馏一遍；
- 不重复造轮子：同一本书不需要每个人各蒸馏一遍，谁蒸馏好了开源出来，别人拿去就能用；
- 接着往上长：一门课蒸馏出来的 Skill，可以再搭成一个"课程 AI 员工"，供学员问答、陪练——这正好接到第 26 章，把它变成你网站上的陪学答疑入口。
四个常见误区
- "AI 早训练过这本书，不用再蒸馏了。" 大众经典 AI 确实有记忆，但小众书、新书、时效性强的视频，它大概率没见过。更重要的是：蒸馏的价值在建立触发条件——让 AI 知道什么场景该调哪个框架，不只是"知道书里有什么"。
- "蒸馏完就不用看书了。" 蒸馏是阅读的补充，不是替代。没读过就蒸馏，会在关键判断上缺背景、漏重点。
- "AI 给了建议就能直接照做。" 就算 Skill 正确激活、给了能落地的步骤，方向对不对、能不能执行、效果好不好，仍然要人来判断。AI 给选项和分析，决策是你的责任。
- "Skill 覆盖面越宽越好。" 触发条件铺太宽，会在不该用的场景被误触发，反而误导。三重验证和诱饵测试的意义，正是控制边界——宁可窄一点，也不要乱激活。
一个真实的蒸馏场景
拿 Luna 客群里最常见的一类来说——一位做课程与服务的老师，手里有一门四五个小时、二十来集的录播课。过去这门课录完就躺在网盘里；现在把它整套喂进六阶段蒸馏，产出一套带触发条件的 Skill 集合：学员问到某个具体环节，对应的 Skill 自动激活，给出这门课里那一段真正的方法，而不是泛泛而谈。
这套产物再往前一步，就是第 26 章要讲的陪学答疑 AI 分身——课不再是一次性交付，而是变成一个会一直在线、越用越懂这门课的知识服务。
— 佐证：工具方公开的一个演示，把吴恩达约 4 小时、26 集的 AI 入门课整套蒸馏，产出约 25 个 Skill；因为是最新内容、AI 没训练过，蒸馏后能被直接调用——这类时效性材料，正是蒸馏最划算的地方。
它在整个技能体系里的位置
知识蒸馏只是"生产 Skill"的其中一条路。它和第 25 章要讲的"把自己的业务流程（SOP）封装成 Skill"是并行的两条线：
| 来源 | 适合拿来做什么 |
|---|---|
| 从业务流程提炼（SOP → Skill） | 你自己的操作规范、重复性业务流程 |
| 从书 / 视频蒸馏（知识蒸馏） | 专家方法论、经典著作、高价值课程内容 |
两条线产出的格式一样，都是带触发条件的可执行 Skill，可以在同一个 AI 员工身上混着用。
完成检查
- 材料在蒸馏前，我自己至少完整读 / 看过一遍；
- 走完了六阶段：整片理解 → 五维度提取 → 三重验证 → 构造 → 链接 → 压力测试；
- 每个 Skill 都写清了触发、步骤、输出、边界、测试用例；
- 做过诱饵测试，确认它在不该触发的场景能忍住；
- 没有把摘要冒充成可执行能力；
- 产物存成了可以直接分享、下次直接调用并继续改进的 Skill 集合。