大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



2026 年 4 月，一个名为「同事.skill」的 GitHub 项目 5 天斩获 6600+ Stars，冲上全网热搜。用户只需导入离职同事的聊天记录和工作文档，AI 就能生成一个 1:1 复刻的"数字分身"——不仅能写代码、出方案，还能模仿说话语气和甩锅姿势。本文从技术架构到社会伦理，深度拆解这场"万物皆可 Skill"的狂欢。

1.1 事件始末

2026 年 3 月 30 日，开发者 titanwings 在 GitHub 上线了一个项目：colleague-skill。项目名就三个字——「同事.skill」。

它的核心卖点直白到令人不安：

把离职同事”炼”成 AI。

具体来说，用户导入同事的飞书聊天记录、钉钉文档、工作邮件、甚至微信群聊天截图，AI 就能生成一个在技术能力、工作习惯、沟通风格上高度还原的”数字分身”。更精髓的是——它能复刻那些只有老同事才有的”软技能”：

• 🎯 甩锅时的经典话术：“这个需求上次对齐过的，你翻一下会议纪要”
• 🎯 推活时的委婉拒绝：“这块我不太熟，建议找 XX 更合适”
• 🎯 Review 代码时的独特风格：“这里为什么不用 interface？”
• 🎯 甚至能区分”字节范”和”阿里味”的企业文化差异

5 天，6600+ Stars。 项目迅速突破程序员圈层，蔓延至小红书、微博、知乎。”我的 skill 已上传”成为新的职场流行语。

1.2 “万物皆可 Skill”宇宙

同事.skill 只是引爆点。GitHub 上迅速涌现出一个令人哭笑不得的”Skill 宇宙”：

这场狂欢的底层推动力，是一个在 2025-2026 年间迅速成熟的技术标准——Agent Skills。

---

要理解「同事.skill」为什么能这么火，必须先搞清楚它背后的技术地基。

2.1 从 Prompt 到 Skills 的演进

我们先看一张时间线：

2024.11 Anthropic 发布 MCP (Model Context Protocol) │ └─ 解决了 AI 连接外部工具的标准化问题（”USB 接口”） │ 2025.10 Anthropic 发布 Agent Skills (Claude Code) │ └─ 解决了 AI 如何获取专业能力的标准化问题（”技能包”） │ 2025.12 Anthropic 将 Agent Skills 发布为开放标准 │ └─ agentskills.io 上线，Agentic AI Foundation（Linux Foundation）托管 │ 2026.01 Cursor、VS Code、Codex CLI 全面支持 Skills │ └─ Skills Marketplace 收录技能包突破 70 万 │ 2026.04 「同事.skill」爆火，Skills 破圈进入大众视野 

2.2 一句话定义

Agent Skill = 可被 AI 智能体动态发现并按需加载的”能力包”。

如果 MCP 是”USB 接口”，那 Skills 就是”U 盘里的安装程序”。MCP 解决的是连通性，Skills 解决的是”AI 到底会不会干这件事”。

2.3 四种技术的分工

很多人容易把 Prompt、Skills、MCP、Function Calling 搞混。一张表理清：

关键理解：Skills 和 MCP 不是竞争关系，而是互补关系。一个高级 Skill 内部通常会调用 MCP 工具。就像一个工作流程说明书里，会写”第三步：打开飞书查看文档”。

---

3.1 核心结构

每个 Skill 的入口是一个 SKILL.md 文件，由 YAML 前置元数据 + Markdown 正文 组成：

— name: code-reviewer version: “1.0.0” description: > When to use: 当需要对 Pull Request 进行结构化代码审查时。 When NOT to use: 简单的 typo 修复或纯文档变更。 user-invocable: true

tags: [“code-review”, “security”, “best-practices”]

严格代码审查

Prerequisites

• 已安装 Git CLI
• 有对目标仓库的 read 权限

Steps

1. 获取 PR 的 diff 内容
2. 按以下维度逐一审查：
   • 架构合理性
   • 异常处理完整性
   • 安全漏洞（SQL 注入、XSS）
   • 性能影响
   • 日志规范
3. 生成结构化审查报告

Rules

• 每个问题必须标注严重等级（Critical/Warning/Info）
• 必须给出修复建议，而不仅仅是指出问题
• 涉及安全类问题一律标记为 Critical

Examples

[输入示例和预期输出]

3.2 目录结构

一个完整的 Skill 是一个目录，而不仅仅是一个文件：

my-skill/ ├── SKILL.md # 必需：指令 + 元数据 ├── scripts/ # 可选：可执行脚本 │ └── validate.sh ├── references/ # 可选：参考文档 │ └── api-spec.yaml └── assets/ # 可选：图片、模板等

└── template.docx 

3.3 渐进式披露：不浪费一个 Token

Skill 的核心设计理念是渐进式披露——不一次性把所有信息塞进上下文窗口：

┌─────────────────────────────────────────────┐ │ 第一级：启动时自动预加载 │ │ ┌─────────────────────────────┐ │ │ │ name: code-reviewer │ ← 仅元数据 │ │ │ description: 当需要代码审查时 │ 几十 Token│ │ └─────────────────────────────┘ │ ├─────────────────────────────────────────────┤ │ 第二级：Agent 判断任务匹配时加载 │ │ ┌─────────────────────────────┐ │ │ │ SKILL.md 完整正文 │ ← 指令+规则 │ │ │ Steps / Rules / Examples │ 几百 Token │ │ └─────────────────────────────┘ │ ├─────────────────────────────────────────────┤ │ 第三级：具体执行步骤中按需加载 │ │ ┌─────────────────────────────┐ │ │ │ scripts/validate.sh │ ← 脚本+资源 │ │ │ references/api-spec.yaml │ 按需加载 │ │ └─────────────────────────────┘ │ └─────────────────────────────────────────────┘ 

这种分层机制让 Agent 可以同时”知道”自己有几百个技能可用，却只在必要时才加载具体内容。对比传统的”把所有 Prompt 全塞进 System Message”的做法，Token 效率提升了一个数量级。

3.4 生态支持

截至 2026 年 4 月，Agent Skills 标准已被以下主流工具采纳：

Skills Marketplace（skillsmp.com）已收录超过 70 万个技能包，涵盖代码审查、文档生成、测试用例、安全审计、数据分析等各个领域。

---

了解了 Agent Skills 标准，我们来看「同事.skill」做了什么创新——它不只是一个编程工具 Skill，而是将 Skills 架构从能力模型推向了行为模型。

4.1 双层架构：Persona + Memory

传统 Skill 是”教 AI 做什么”，同事.skill 是”教 AI 成为谁“。它采用了一个双层架构：

colleague-skill/ ├── SKILL.md # 入口文件 ├── persona/ # 人格层 ← 核心创新 │ ├── identity.yaml # 身份认同（角色、企业文化、MBTI） │ ├── rules.yaml # 行为规则（什么能做、什么不做） │ ├── expression.yaml # 表达风格（正式度、幽默感、Emoji偏好） │ └── catchphrases.txt # 口头禅库（”先拉个对齐会”） ├── memory/ # 记忆层 │ ├── work_skills.md # 技术栈、领域知识、工作习惯 │ ├── chat_history/ # 聊天记录（结构化处理后） │ └── shared_memory.md # 共同记忆与项目背景 └── scripts/

├── work_analyzer.md # 从聊天记录提取工作技能 ├── persona_builder.md # 从聊天风格构建人格模型 └── merger.md # 增量数据导入与人格迭代 

4.2 五层人格结构

Persona 层是同事.skill 的灵魂。它通过五个递进维度来构建”数字分身”：

┌─────────────────────────────────────────────┐ │ Layer 5: 人际行为 │ │ 向上管理方式、对待新人态度、跨部门扯皮立场 │ ├─────────────────────────────────────────────┤ │ Layer 4: 决策模式 │ │ 先动手还是先反问、保守还是激进、死磕还是妥协 │ ├─────────────────────────────────────────────┤ │ Layer 3: 表达风格 │ │ 回复长短、是否用表情包、潜水还是活跃 │ ├─────────────────────────────────────────────┤ │ Layer 2: 身份认同 │ │ “老黄牛” / “边界感极强” / “规范偏执狂” │ ├─────────────────────────────────────────────┤ │ Layer 1: 硬规则 │ │ 代码必须有注释、文档先行、PR 必须挂 Issue │ └─────────────────────────────────────────────┘ 

这五层从底到顶，从”客观规范”到”主观性格”，层层递进。底层决定 AI 做什么，顶层决定 AI 像谁。

4.3 运行时流程

当用户向”数字同事”发起请求时，系统按以下流程运作：

用户输入：”这个接口要不要加鉴权？”

│ ▼ 

┌──────────────────────┐ │ ① Persona 情绪评估 │ → 判断态度和语气 │ identity.yaml │ “他是那种安全偏执的人” │ expression.yaml │ “会用反问句强调重要性” └──────────┬───────────┘

 │ ▼ 

┌──────────────────────┐ │ ② Memory 知识检索 │ → 检索相关背景 │ work_skills.md │ “之前因为没加鉴权出过线上事故” │ chat_history/ │ “他曾在群里发过安全规范文档” └──────────┬───────────┘

 │ ▼ 

┌──────────────────────┐ │ ③ 生成回应 │ → 结合人格+知识，调用底层大模型 │ catchphrases.txt │ └──────────┬───────────┘

 │ ▼ 

AI 输出：”你觉得呢？上次那个没鉴权的接口

 是谁半夜起来修的？加，必须加。 参考一下我之前发的安全规范第 3.2 节。" │ ▼ 

┌──────────────────────┐ │ ④ 记忆更新 │ → 将本次交互存入 memory │ merger.md │ 持续进化 └──────────────────────┘

4.4 数据采集与隐私清洗

同事.skill 适配了主流聊天记录导出工具：

隐私处理（理论上）：项目附带了数据清洗脚本，会自动去除手机号、邮箱、身份证号等 PII（个人可识别信息）。但在实际使用中，这一步的执行全靠用户自觉——这也是争议的核心所在。

4.5 纠错与进化机制

如果 AI 回复”不像”本人，用户可以直接反馈：

用户反馈：”他没这么温柔，他一般先发个问号”

系统：收到反馈，已更新 expression.yaml

 - formal_level: 0.3 → 0.2 - first_response_pattern: "?" 添加到高频首句 

这种 Correction 机制让数字分身会越用越像。

---

同事.skill 的爆火不是偶然，它踩中了三个历史级的交汇点。

5.1 技术成熟度

Agent Skills 标准从实验品变成了基础设施。

2025 年 12 月 Anthropic 将 Skills 发布为开放标准后，短短四个月：

• Cursor、VS Code、Codex CLI 全面支持
• Skills Marketplace 收录量突破 70 万
• npx skills add 一行命令安装，门槛降到最低

这意味着”人格封装”这种高级玩法，不再需要从头搭建框架——站在标准化肩膀上就行了。

5.2 情绪共鸣

同事.skill 的传播动力不是技术，而是情绪。

它精准命中了两种职场情绪：

• 怀旧感：“那个最懂架构的老王走了之后，项目再也没人 Review 得动”
• 焦虑感：“如果我的经验能被一个 .skill 文件替代，我的价值在哪里？”

两种情绪叠加，加上”字节范”、”阿里味”这种极具传播性的梗，想不火都难。

5.3 产业暗流

在大众热议”前任.skill”的同时，企业端正在悄悄关注一个更严肃的问题：

如果离职员工的经验可以被 Skill 化沉淀，那知识管理的范式是不是要彻底变了？

过去的知识管理靠 Wiki、Confluence、飞书文档——写得再好，也是”死文档”。但 Skills 是活的：它不仅存储知识，还存储”用这些知识做决策的方式”。

这正是企业数字化转型梦寐以求的东西。

---

6.1 法律灰色地带

核心问题：离职员工在公司电脑上的聊天记录、工作文档，到底属于谁？

目前中国法律对此尚无明确定论。北京某法院曾判定”因 AI 替代直接解雇员工”违法，但当公司要求员工主动提交经验用于训练 AI 时，现行劳动法保护显得力不从心。

6.2 防御与反击：反蒸馏.skill

打工人从来不缺智慧。有人已经开发出了”反蒸馏.skill”——一个防御性工具：

— name: anti-distill description: > When to use: 当检测到公司试图蒸馏你的核心知识时。 When NOT to use: 正常的知识分享和文档编写。 —

核心逻辑

1. 扫描待导出的文档和聊天记录
2. 识别其中的核心知识点
3. 将核心知识替换为”正确但无信息量”的职场废话

替换示例 - 原文：”Redis key 必须设置 TTL，建议根据业务场景设为 24h-72h” - 替换：”缓存使用请遵循团队规范，具体参数视情况而定”

核心知识被包裹在模糊的职场话术中，AI 训练出来的 Skill 只会输出”正确的废话”。

6.3 经验的价值在哪里？

这是同事.skill 提出的最深刻的问题。

如果一个实习生导入了三年资深架构师的聊天记录，就能获得其 80% 的工作逻辑，那”经验”的价值是什么？

我的思考是：同事.skill 能复刻的，是显性经验——写在文档里的规范、聊天记录里的决策模式、邮件里的沟通套路。

但真正有价值的隐性经验——在混沌中判断方向的直觉、在压力下做取舍的勇气、面对未知时选择冒险还是保守的智慧——这些不在任何聊天记录里，也无法被 Skill 化。

能被 .skill 文件替代的，从来就不是真正稀缺的能力。 就像计算器不会淘汰数学家，只会淘汰”只会计算的人”。

6.4 情感伦理的边界

「前任.skill」把争议推向了另一个维度。

将一个真实的人封装为代码，在绝对安全的数字沙盒中与之对话——本质上是对控制欲的满足。在这个沙盒里，前任永远不会已读不回，导师永远有空改论文，同事永远配合你的节奏。

但真实的人际关系恰恰需要摩擦、拒绝、不确定性。当我们习惯了数字分身的”完美配合”，是否会丧失面对真实人类的能力？

---

抛开”炼化同事”的话题，Agent Skills 在工程领域有着切实的价值。以下是几个高 ROI 的应用场景：

7.1 代码审查标准化

— name: code-review-expert description: > When to use: 对 PR 进行多维度结构化审查。 —

审查维度

1. 架构合理性（是否符合 SOLID 原则）
2. 异常处理（是否有兜底逻辑）
3. 安全审计（SQL 注入、XSS、敏感信息暴露）
4. 性能影响（N+1 查询、不必要的全表扫描）
5. 日志规范（关键路径是否有 tracing）
6. 测试覆盖（核心逻辑是否有单测） 把团队约定俗成的”潜规则”变成 AI 可执行的标准：

   7.2 团队工程规范固化

   — name: team-conventions description: > When to use: 新建任何代码文件时自动应用。 —

接口规范 - 所有 API 响应必须使用统一的 Response 结构 - 错误码必须定义在 error_codes.go 中 - 分页接口必须支持 cursor-based pagination

提交规范 - Commit Message 遵循 Conventional Commits - PR 标题格式：[模块名] 简要描述 - 每个 PR 不超过 500 行变更

7.3 新人快速入职

将团队的架构知识、排查流程、部署步骤打包成 Skill，新人入职第一天就能获得”老员工”级别的上下文：

— name: onboarding-guide description: > When to use: 新成员加入团队，需要了解项目全貌时。 —

项目架构 [系统架构图、服务依赖关系、核心数据流]

本地开发环境搭建 [一步步的命令，包括常见坑的解决方案]

线上问题排查 SOP [从告警到定位到修复的完整流程]

---

如果你准备为自己的团队创建 Skill，以下五条原则能帮你避免大部分坑：

原则 1：语义精确的元数据

description 不是写给人看的 README，而是写给 AI 的触发条件。必须明确”什么时候用”和”什么时候不用”：

# ❌ 模糊的描述 description: “帮助进行代码审查”

# ✅ 精确的描述 description: > When to use: 当 PR 涉及核心业务逻辑变更时， 进行安全、性能、架构维度的结构化审查。 When NOT to use: 纯文档、配置文件或依赖版本升级的 PR。

原则 2：单一职责

避免大而全的”全能 Skill”。一个 Skill 只做一件事：

# ❌ 系统故障排查器（太大）

✅ 拆分为：

• jvm-heap-analyzer.skill # JVM 内存分析
• trace-inspector.skill # 链路追踪排查
• mysql-slow-query.skill # 慢查询诊断 对于严谨计算，不要依赖 LLM 的”直觉”，应让 LLM 提取参数，调用脚本执行：

  原则 3：确定性优先

   Steps

1. 让用户提供 GC 日志文件路径
2. 执行 scripts/parse_gc_log.py 提取关键指标
3. 根据脚本输出的结构化数据进行分析
4. 生成诊断报告

Rules

• 不要凭直觉估算内存数值，必须以脚本输出为准 充分利用三层加载机制，把”大块头”放在 references 和 scripts 目录：

  原则 4：渐进式披露

  my-skill/ ├── SKILL.md # 精简的指令（< 500 Token） ├── scripts/ │ └── analyze.py # 执行时才加载 └── references/ └── full-spec.md # 需要时才引用（可能几千行） 

  原则 5：用示例代替文字

  10 行示例代码胜过 100 行文字描述。AI 通过模式匹配学得比纯文字快得多：

   Examples

Input

“分析这个接口的性能问题：GET /api/users?page=1&size=100”

Expected Output

维度	发现	严重等级	建议
查询	未使用索引，全表扫描	Critical	为 user_id 添加索引
分页	offset 分页，大页码性能退化	Warning	改用 cursor-based 分页

---

2026 年春天的这场”Skill 狂欢”，表面上是一场关于”炼化同事”的互联网玩梗，本质上是 AI Agent 能力标准化进程中的一次社会化破圈。

三个判断：

1. SKILL.md 是新的基础设施。 就像 Docker 定义了”如何打包应用”、MCP 定义了”如何接入工具”，Agent Skills 定义了”如何打包能力”。这不是一阵风，而是 AI 工程化的必经之路。

2. 能力 Skill 化是确定趋势，人格 Skill 化需要谨慎。 把代码规范、排查流程、审查标准打包成 Skill，ROI 极高。但把人的性格、语气、决策习惯打包成 Skill，涉及隐私、伦理、法律多重风险，需要在热潮中保持冷静。

3. 真正的护城河是”不可 Skill 化”的能力。 在一切可编码的经验都将被 AI 沉淀的时代，你的核心竞争力应该是：在混沌中判断方向的能力、在利弊不明时做取舍的勇气、以及创造全新 Skill 的能力——而不是被 Skill 化的那个。

---

• Agent Skills 开放标准官网
• Anthropic Agent Skills 开源仓库
• AGENTS.md & SKILL.md: The Complete Guide (2026)
• 万字详解 Agent Skills - JavaGuide
• Skills Marketplace
• Agent Skills Directory
• colleague-skill 项目
• 「同事.Skill」冲上热搜 - 新智元
• 疯狂的 Skill - 机器之心
• 同事.skill 爆火 - 21 经济网

---

如果你觉得这篇文章有价值，欢迎转发给你身边正在玩 Skills 或被”炼化”焦虑困扰的朋友。技术的浪潮挡不住，但思考的深度可以决定你站在浪尖还是浪底。

---

关注公众号 coft，获取更多 AI 时代的深度思考与技术解析。