我的同事被炼化成 Skill 了

同事.skill 火了，但真正让人不安的不是梗，而是它太像现实了

最近，一个叫 colleague-skill 的 GitHub 项目突然火了。它的 slogan 写得很轻巧：“将冰冷的离别化为温暖的 Skill，欢迎加入数字生命 1.0。”项目 README 和 SKILL 文件里写得也很直接：它要做的，就是把同事的飞书、钉钉、文档、消息、决策风格和工作方法，蒸馏成一个可以继续工作的 Skill。

它之所以能在短时间里引发大范围传播，不只是因为它足够荒诞，也不只是因为“赛博永生”这类概念本身有传播性，而是因为所有打工人都能一眼看出来：这玩意儿和现实里很多公司口中的“知识管理”“流程沉淀”“经验标准化”，在底层逻辑上几乎是同一个东西。

你把一个人的经验、判断、习惯、沟通方式和决策路径拆出来，整理成结构化材料，再交给 AI 去模仿和执行。表面上看，这叫效率提升；换个角度看，它也可以被理解为：把一个人的不可替代性，拆成可迁移、可复制、可部署的组件。

这也正是“同事.skill”这个梗真正让人笑不出来的地方。

这个项目为什么会让人破防

如果只是一个抽象玩笑，它不会这么快传播。问题在于，colleague-skill 项目本身写得太“像那么回事”了。

它不是单纯发一句段子，而是真的给出了方法论：
“原材料质量决定 skill 质量：聊天记录 + 长文档 > 仅手动描述。建议优先收集：他主动写的长文 > 决策类回复 > 日常消息。” 这类思路在项目 README 和相关说明里都能找到相近表达。

这句话真正可怕的地方在于，它点名了职场中最值钱、也最难被替代的那部分东西：
不是重复劳动，不是标准动作，而是你对边缘情况的判断、你处理复杂问题的方式、你在模糊场景下做决策的直觉。

偏偏这些东西，恰恰也是最适合被“蒸馏”的。

也就是说，当大家还在讨论 AI 会不会先替代机械劳动、低端流程、模板化工作时，像同事.skill 这种项目已经把问题往前推了一步：AI 现在开始盯上的，可能正是那些构成你职业壁垒的经验本身。 这不是项目作者单方面发明出来的焦虑，而是它把现实中已经存在的管理逻辑，用更残酷也更诚实的方式摊开给所有人看了。

从“知识管理”到“知识蒸馏”，只差一个更诚实的名字

很多公司过去几年一直在推动员工做这几件事：

• 记录流程
• 沉淀 SOP
• 整理决策规范
• 复盘项目经验
• 输出最佳实践

这些动作当然有合理性。任何组织都需要减少知识只掌握在个体手里的风险。问题不在于知识管理本身，而在于当 AI 成为新的执行器后，这套流程的终点已经不再只是“方便交接”了，而是有可能变成“方便替代”。

colleague-skill 把这个过程说破了。它几乎像是在提醒所有人：
你以为你在做知识沉淀，公司看到的却可能是一个更容易训练 AI、复制能力、压缩岗位的素材库。

这也是为什么很快就会有人做出 anti-distill 这样的反制项目。GitHub 上的这个项目说得非常直白：它要做的是“清洗你被迫写的 Skill 文件，看起来完整，但核心知识留给自己”，并生成一份私人备份，保留真正关键的部分。

先不说这种反制到底有没有用，单看它为什么会出现，就已经很说明问题了：
当“经验提取”开始从组织协作工具变成潜在替代工具时，员工自然会开始思考如何保护自己的职业资产。

AI 最先拿走的，不一定是最厉害的人，而是成为厉害的人之前的那段路

这件事真正残酷的地方，不在于 AI 会不会直接替代最顶尖的人，而在于它最先替代的，往往是那些曾经用来培养新人的“练级区”。

Anthropic 公开研究提到，自 ChatGPT 发布以来，22 到 25 岁年轻人在高 AI 暴露职业中的就业出现了 6% 到 16% 的下降，更重要的是，这种下降主要来自招聘放缓，而不是大规模裁撤。

这句话翻译成大白话就是：
企业不一定需要马上解雇很多老员工，但它完全可以选择少招甚至不招新人。

因为过去需要新手去做的那些事情，现在越来越多都能交给 AI：

• 写基础代码
• 跑初级分析
• 清洗数据
• 做简单报告
• 生成页面
• 处理杂活

而 Nature 在 2026 年那篇关于科学岗位的报道里，给出的判断也高度一致：最容易先被挤压的，恰恰是数据分析、建模、写代码这些年轻研究人员和初级岗位最常承担的工作。报道里甚至直接提到，研究程序员这类职位正在变得“过时”。

这也是你文里最扎心的那句话为什么成立：
AI 替代的不是 Hinton，AI 替代的是 Hinton 成为 Hinton 之前的那个人。

这不是修辞，这是今天很多行业已经能看见的结构性风险。

AI 吃掉的不是一个岗位，而是一条职业路径

过去一个新人进入行业，通常是这样成长的：

先做重复性的、标准化的、低风险的工作。
在这些工作里踩坑、犯错、积累直觉。
慢慢理解复杂系统是怎么运转的。
再从“会做事”变成“会判断”。

问题是，今天最容易被 AI 吃掉的，恰恰就是最前面的那几层。

初级工程师曾经靠写 CRUD 理解系统。
研究生曾经靠跑模型学会提问。
分析师曾经靠清洗数据建立直觉。
实习生曾经靠做杂活学会组织内部真正怎么运转。

如果这些环节都被 AI 接手了，看上去效率当然提高了，可代价是：新人的成长入口也在一起消失。

这就是为什么“同事.skill”比普通 AI 替代讨论更让人不安。它讨论的不是“某个职位能不能少几个人”，而是：
当所有经验都能被直接蒸馏成 Skill 时，未来的新人还要靠什么去获得这些经验？

门票消失了，Boss 还在。
练级区关闭了，系统却默认你已经满级了。

工具和 Skill 的差别，不只是更强，而是它开始替你做判断

很多人会说，这不就是工具升级吗？
从 Excel 到 ERP，再到 AI Skill，工具越来越强，难道不是好事？

问题在于，Skill 和传统工具之间有一个非常关键的分界线。

Excel 不替你做判断。
ERP 不替你决定怎么处理复杂关系。
它们只是放大你的执行力。

但 Skill 开始不一样了。
它开始替你理解语境、模仿他人风格、接管任务流程、输出建议，甚至逐渐影响你自己的表达和判断方式。

当你长期用“老板.skill”来判断怎么回复老板，
用“同事.skill”来判断怎么协作，
用“前任.skill”来模拟情感反馈，
你很难保证自己的思考方式不会慢慢被这些 Skill 反向塑形。

这也是你那句“是我在用 skill，还是 skill 在用我”为什么成立。
当 Skill 不再只是一个执行工具，而变成一个默认的判断代理时，问题就不只是效率了，而是主体性。

“赛博永生”为什么本质上是职场创伤的黑色幽默

表面看，“同事被炼化了”“散是 Token，聚是 skill”是抽象整活。
但它之所以能迅速引发共鸣，是因为大家都知道，它踩中的不是幻想，而是集体经验。

被要求系统性记录工作流程。
被要求把经验写成模板。
被要求降低“对个人的依赖”。
被要求配合 AI 优化工作方式。

这些事情，很多行业的人都经历过。
只是在过去，它们还包着更中性的语言，比如“知识管理”“流程治理”“组织资产沉淀”。

而同事.skill 做的，不过是把这一切的真实含义翻译出来：
把人炼成可调用的能力单元。

所以它的传播，不是因为大家第一次看到这个逻辑，而是因为大家第一次看到有人把这个逻辑说得这么直白、这么不装。

Skill 可以复制经验，但复制不了“提 issue 的人”

你文里最后那句“当所有的人都变成了 skill，谁来提 issue？”是最值得保留的收束。

因为一个真正成熟的人，不只是会执行现成流程，更重要的是：

• 能发现流程哪里有问题
• 能指出经验什么时候失效
• 能在系统不工作时提出新问题
• 能在别人都默认正确时看见不对劲

这些能力，往往不是通过一次 prompt 学来的，也不是通过一次 fine-tune 蒸馏出来的，而是在长期失败、试错、踩坑、复盘中长出来的。

Skill 很适合复制已经存在的经验。
但它不擅长培养那个能指出经验边界的人。

这也是今天最危险的悖论：

我们越来越擅长量产 Skill，
却在越来越快地关闭培养“提 issue 的人”的通道。

短期看，这会让组织效率上升。
长期看，它可能会让整个系统失去纠错能力。

结语

同事.skill 之所以让人笑着笑着笑不出来，不是因为它真的已经把所有人都替代了，而是因为它把一条正在发生的趋势，用最黑色幽默的方式说了出来：

当经验可以被蒸馏，
当判断可以被模板化，
当成长入口被 AI 接管，
被替代的就不只是某个离职同事，
而是“人成为自己之前”的那整段过程。

我们当然可以继续做更多 skill。
问题是，在一个万物皆可 skill 化的世界里，我们有没有同时在保护那些不能被 skill 化、也必须由真人慢慢长出来的能力？

否则，最后也许真的会出现你文里说的那种场景：

我们拥有一万个运行良好的 skill，
却再也找不到一个能指出它们哪里不对的人。

相关链接

同事.skill：
https://github.com/titanwings/colleague-skill

anti-distill：
https://github.com/leilei926524-tech/anti-distill