从“同事.skill”到AI Agent浪潮——当人工智能开始“取代”你的工位

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月的GitHub，最火的不是什么框架、什么工具，而是一个把你同事「打包」成AI的项目。

更离谱的是，紧随其后还出现了「前任.skill」「自己.skill」「老板.skill」「导师.skill」等一系列变种，从程序员圈直接破圈至小红书、微博等社交平台，被称为2026年4月 “最离谱的开源狂欢” 。

“将冰冷的离别化为温暖的Skill，欢迎加入赛博永生/数字生命1.0。” —— 这句极具赛博朋克色彩的口号，精准击中了无数打工人心底的复杂情绪。

本文将从技术视角，深度拆解“同事.skill”项目的实现原理，以及它背后正在爆发的Agent Skills生态浪潮。

1.1 同事.skill：5天7.3k星

2026年3月30日，上海人工智能实验室24岁的工程师周天奕在GitHub上传了一个项目：只需提供离职同事的飞书聊天记录、钉钉文档和工作邮件，AI就能生成一个能模仿其工作习惯、说话方式的数字分身。

上线5天内，该项目狂揽7.3k星标并快速出圈；10天后突破1万星。

核心能力亮点：

不仅复刻知识和工作流，还能模仿说话语气、甩锅话术、对规范的偏执
能区分「字节范」和「阿里味」等不同企业文化风格
支持通过持续输入新数据自我进化

1.2 Skill宇宙爆发

就在“同事.skill”引爆舆论后，GitHub上涌现了一批以.skill为后缀的衍生项目：前任.skill、老板.skill、导师.skill、自己.skill，甚至有人直接蒸馏出了埃隆·马斯克等名人Skill，以及“与其等着被别人蒸，不如先蒸自己”的 “永生.skill” 。

开发者们的想象力远远超出了技术本身。有开发者把前任的回忆蒸馏成Skill，开发出了「前任.skill」；有人把导师蒸馏成随时可问的AI Skill；有人甚至开发了 “反蒸馏.skill” ——自动识别提交内容中的核心知识，替换为“正确的废话”，来对抗公司用Skill技术进行知识萃取。

2.1 先澄清：这不是“意识上传”

在深入技术之前，必须先泼一盆冷水。

同事.skill本质上是一个爬虫加提示词模板项目，根本不是什么AI训练项目，更不是“赛博永生”。

它的工作原理非常直白：项目的几个Python脚本（feishu_auto_collector.py、dingtalk_auto_collector.py、wechat_parser.py、email_parser.py）负责从飞书、钉钉、微信、邮件等渠道抓取数据并转换成统一格式，然后把这堆文本喂给AI，让AI总结出这个人的“工作能力”和“性格特征”，生成几个静态Markdown文件。

运行时，当用户调用这个Skill，Claude就会读取那几个静态Markdown文件作为上下文，然后按照描述的风格进行对话。

没有模型训练，没有向量数据库，没有语义检索。 所谓“复刻”，本质上只是一份详细到极致的角色扮演指南。

2.2 Agent Skills是什么？

在拆解项目之前，先理解其背后的技术框架——Agent Skills。

Agent Skills是Anthropic于2025年确立的开放式AI代理构建标准，其本质是将复杂的Prompt工程、外部知识库与执行逻辑封装为标准化的本地文件结构（如SKILL.md）。

Skill的定位在Tool与Agent之间：Tool是操作层，Skill是能力层，Agent是调度层。简单来说，Skill是给AI的“永久技能手册” ——写周报时自动套用模板，审查代码时自动核对规范，遇到错误时自动匹配解决方案。

2.3 .skill文件结构全景

这些爆火的「人格.skill」都采用了高度一致的标准目录结构：

.skill/ ├── SKILL.md # 技能入口文件，YAML前置元数据+Markdown指令 ├── persona/ │ ├── identity.yaml # 身份定义（如“我是前端工程师”） │ ├── rules.yaml # 行为规则（优先级最高的硬性约束） │ ├── expression.yaml # 表达风格（简洁/爱用emoji/专业术语偏好） │ ├── decision.yaml # 决策模式（技术选型倾向保守/激进） │ └── catchphrases.txt # 口头禅库 ├── memory/ │ ├── work_skills.md # 工作技能知识库 │ ├── chat_history/ # 聊天记录 │ └── shared_memory.md # 共同记忆 └── evolution/

└── feedback_loop.py # 自我进化机制

2.4 双层架构：Work Skill + Persona

“同事.skill”的精妙之处在于它将一个完整的“人”拆解为两个正交的抽象维度：

底层「Work Skill」 ：负责沉淀专业能力——从代码风格、业务逻辑到项目SOP，将一个人的职场经验编译为可执行的工作流。
上层「Persona」人格模块：通过五层结构模拟真人的情绪和发言——硬规则（优先级最高）、身份定位、表达风格、决策模式、人际行为。

┌─────────────────────────────────────┐ │ Persona（上层） │ │ Layer 0: 硬规则（最高优先级） │ │ Layer 1: 身份定位（“我是后端工程师”） │ │ Layer 2: 表达风格（“说话简洁”） │ │ Layer 3: 决策模式（“技术选型倾向保守”）│ │ Layer 4: 人际行为（“不主动参与争论”） │ ├─────────────────────────────────────┤ │ Work Skill（底层） │ │ - 代码风格规范 │ │ - 业务逻辑经验 │ │ - 项目SOP流程 │ └─────────────────────────────────────┘

运行规则也很清晰：先由Persona部分判断用什么态度接任务，再由Work部分用技术能力完成任务，输出时始终保持Persona定义的表达风格。

2.5 数据采集与运行机制

同事.skill提供了“全自动提取工具”，囊括目前市面上最主流的聊天记录导出工具（如WeChatMsg、PyWxDump），支持从飞书、钉钉、Slack到iMessage的数据提取。

整个流程可以概括为：爬虫采集 → 文本格式化 → AI生成Skill文件 → 静态文件作为上下文 → Claude按剧本表演。

但这里有一个容易被忽略的重要技术限制：这些Skill没有持久化记忆系统。每次对话都是重新读取那几个静态Markdown文件，不会根据新的交互学习和更新。你跟它聊的内容，下次再调用时就全忘了——它不记得你们昨天讨论过的技术方案，不知道项目进展到哪一步，更不会因为你的反馈而调整回答风格。

2.6 Agent Skills的渐进式披露架构

Agent Skills的另一个核心技术优势在于其渐进式披露架构：

阶段1：启动时只加载YAML前置元数据（约100 tokens/技能），让Agent知道有哪些技能可用
阶段2：仅当任务匹配时，才加载完整的SKILL.md正文（<5,000 tokens）
阶段3：按需加载脚本和参考文件，在加载之前不消耗任何上下文

实测数据显示，在处理长链条业务流程时，这种架构能将上下文Token消耗降低60%-80%，同时显著提升长文本任务中的指令遵循准确率。

3.1 生态数据一览

维度数据 Marketplace收录 70万+ 技能包公开可用Agent Skills 超过 85,000 个支持平台 27家主流平台覆盖领域开发、设计、办公、电商、金融等

2025年12月18日，Anthropic联合多家生态伙伴在agentskills.io正式开源Agent Skills Specification V1.0，并被TechCrunch称为 “AI领域的Dockerfile” ——它让AI能力变得可移植、可组合、可版本控制。Linux基金会也已启动讨论，拟将Agent Skills纳入其AI & Data基金会（AIDF）的候选标准之一。

3.2 GitHub 4月Agent生态两大热榜项目

除了“同事.skill”系列外，GitHub 2026年4月AI Agent赛道的两大现象级项目也值得关注：

项目 Star数核心特性差异化优势 Hermes Agent 5.28万+ 自我进化闭环：失败→反思→自动生成Skill→持续优化通过内置Self-Improvement Loop，Agent在实践中自主构建和更新技能库，突破人工编写Skill的瓶颈 OpenClaw 现象级开源AI智能体Gateway网关，支持本地部署能访问本地文件，支持飞书、企微、等多个平台接入

这两个项目代表了Agent生态的两条演进路径：OpenClaw追求能力广度（多平台+多Agent协作） ，Hermes Agent追求能力深度（自我进化+技能自动生成） 。OpenClaw围绕“Skills能力”与“API能力”展开，Skills指导Claude如何以可重复的方式完成特定任务，API则让OpenClaw能连接外部系统。

4.1 4小时开发一个GitHub顶流

“同事.skill”的开发者周天奕在接受采访时透露，这个项目从构思到完成只花了4个小时。

他的初衷并非制造什么“数字替身”来淘汰人类劳动力，而是帮助团队沉淀那些难以文档化的隐性知识——沟通习惯、决策经验、协作默契。用他的话说：“这些东西跟人牢牢绑定，没法直接写进文档里。尤其是一旦有人换岗或离开，这些宝贵的积累就像沙子一样悄悄溜走了，太可惜了。”

4.2 开发者自评：“真正的AI专家还没有出现”

周天奕在采访中多次强调，目前的Skill技术距离替代真人还有巨大鸿沟：“真正的AI专家还没有出现。AI目前能干的是一些重复性、流程化的事，比如回答常见问题、查历史文档、走固定协作流程、模仿规范的沟通话术。但真人的判断力、创造力、临场应变、情感沟通、复杂决策，AI现在都学不会也做不到。 ”

4.3 安全设计：本地化处理+能力边界限制

针对外界关注的安全和伦理风险，周天奕指出技术背后存在数据泄露、AI行为失控、责任归属模糊、伦理误导等风险。为此，项目从底层设计了安全机制：

数据全部本地处理不外传，从源头防泄露
能力边界限制
全流程可追溯
“AI只能作为协作辅助，最终的决策权必须掌握在人手中”

4.4 正在进化：dot-skill

2026年4月13日，项目更新动态称：“正在进化为dot-skill——蒸馏任何人，不止同事。多模态输出、技能生态等更多内容即将到来。”这意味着该技术正在从“复刻同事”的职场协作场景，向更广泛的人物数字分身方向演进。

5.1 Skill的本质是工程化能力模块

从工程视角看，Agent Skills并不是一个“新概念”，而是对稳定能力单元的一次明确建模。一个成熟的人类技能通常由四部分组成：明确的流程、可复用的方法或配方、可调用的工具、固定或半固定的材料。Agent Skills对应的工程抽象非常直接：

my-skill/ ├── SKILL.md # 定义流程与决策规则 ├── references/ # 外部规范与参考资料 ├── scripts/ # 可执行工具（Python/Bash） └── assets/ # 不可变资源

这种结构化的封装方式，从根本上解决了一直困扰AI应用开发的几个工程痛点：Prompt难以复用、信息相互干扰、Token成本不可控。Skill的引入，本质上是把提示词提升为工程对象——具备名称与触发条件、具备固定结构、具备演进空间、可被系统按需加载。

5.2 记忆是当前的最大短板

目前Skill架构最显著的技术短板在于记忆系统的缺失。由于Skill没有持久化记忆，每次调用都需要重新加载静态配置文件，这导致：

Agent无法记住用户的偏好和反馈
无法从长期交互中学习和进化
无法建立真正的“熟悉感”

这也解释了为什么Hermes Agent会如此受关注——它从底层架构就把“越用越懂你”作为核心设计目标，通过内置的Self-Improvement Loop，让Agent能够从实践中自主创建、更新和管理技能。Hermes并不依赖外部触发，而是在系统层面将“经验沉淀”写进了Agent的行为规范，一旦完成任务，就会调用skill_manage生成一份标准格式的SKILL.md技能文档。

5.3 范式转移：大模型能力进入结构化阶段

Anthropic发布的30页《Skill创建指南》，标志着AI开发的一个重要拐点：大模型的第一阶段是规模竞争，第二阶段是推理能力竞争，现在正在进入第三阶段：能力工程化。

Skill的发布意味着模型生态正在向软件系统化演进。真正的差距，不在模型参数，而在能力结构设计。当Anthropic内部每天都有数百个Skills在运行时，它已经不再是Claude的一个功能，而是工程团队的核心基础设施。

从极客的4小时Side Project，到GitHub顶流、全网破圈的“赛博永生”，再到现在Linux基金会都在认真考虑将其纳入AI标准的Agent Skills生态——这场由“同事.skill”点燃的技术狂欢，揭示了一个正在发生的深刻趋势：

AI正在从“用完即弃的智能助手”，进化成“随身携带、可封装、可沉淀的能力资产”。 当开发者4小时就能把一个完整的人“蒸馏”成可复用的Skill，AI距离我们每个人，或许真的没有那么远了。

正如项目的开发者所说： “技术本身无善恶，关键在于使用者的意图。AI只能作为协作辅助，最终的决策权必须掌握在人手中。”

你的Skill宇宙，要开始了吗？

项目地址：github.com/titanwings/colleague-skill
Hermes Agent：github.com/NousResearch/hermes-agent
Agent Skills官方规范：agentskills.io

本文首发于CSDN，欢迎评论区讨论你的Skill创意！