女娲.skill 深度解析：当"造人"从神话变成代码，把乔布斯、芒格、马斯克的思维方式变成可运行的AI技能

背景介绍

2026年4月，一个叫"女娲.skill"的开源项目悄然登上了GitHub Trending。

5401颗星，MIT协议，作者是独立开发者花叔——代表作是小猫补光灯（AppStore付费榜Top1）。这个项目解决了一个极其朴素的问题：能不能把一个人的思维方式，像代码一样封装成一个AI技能，让任何人都能随时调用？

答案是：能。

女娲.skill自称是"Skill造人术"。它的核心理念是——输入一个人名，系统自动完成深度调研、心智模型提炼、表达风格提取，最终生成一个可运行的Claude Code Skill。 乔布斯怎么思考问题？马斯克怎么处理不确定性？芒格的投资决策框架是什么？这些问题不需要你读完他们的所有著作，直接在Claude Code里问就行。

这不是角色扮演。这是一种新的知识封装范式——把"认知操作系统"从人脑子里蒸馏出来，变成可分发的软件模块。

核心概念：从"知识蒸馏"到"认知蒸馏"

1.1 什么是蒸馏？

在机器学习领域，"蒸馏"（Distillation）指的是把一个大模型的知识压缩到一个小模型里——让小模型学会大模型的输出行为，但参数量更少、推理更快。

女娲.skill把这个概念迁移到了认知科学领域：把一个人的思维方式蒸馏到一个Skill文件里。

传统的知识传递是这样的：读一本《乔布斯传》，然后自己消化理解。这个过程损耗极大——你可能记住了乔布斯说过的话，但你未必抓住了他做决策的真正框架。

女娲.skill的思路是：不要传递"他说过什么"，要传递"他怎么想"。

前者是WHAT，后者是HOW。捕捉HOW才是真正的认知蒸馏。

1.2 从"同事"到"大师"的跨越

女娲.skill的诞生有个有趣的背景。2026年3月底，另一个叫colleague-skill的项目在GitHub爆火——把离职同事蒸馏成AI Skill，几天突破11000星。它的核心洞察是：每个人脑子里都有独特的认知资产，离职了就消失了，太可惜了。

花叔在这个基础上问了一个更激进的问题：既然我们能蒸馏身边的人，为什么不去蒸馏那些最聪明的人？乔布斯、芒格、费曼、Naval、马斯克——他们留下了大量的公开材料（著作、演讲、访谈、社交媒体），这些材料本质上就是可以被蒸馏的认知矿藏。

于是有了女娲.skill。它的副标题是："你想蒸馏的下一个员工，何必是同事。"

1.3 三种不同的蒸馏深度

理解女娲之前，需要先理解它的定位——它处于"认知蒸馏"这条光谱的什么位置：

女娲明确拒绝做角色蒸馏。它的README里有一段话非常精准：

这不是角色扮演。乔布斯用的是"聚焦即说不"和"端到端控制"心智模型，Naval用的是"欲望即合同"，马斯克用的是"渐近极限法"。它们不是在复读名人语录，是在用名人的认知框架帮你分析。

这是一个关键区分：角色蒸馏是"学说话"，认知蒸馏是"学思考"。

架构分析：六路并行Agent Swarm

2.1 整体工作流

女娲.skill的执行流程分为五个Phase：

Phase 0: 入口分流（明确人名 vs 模糊需求）
    ↓
Phase 1: 六路并行Agent Swarm信息采集
    ↓
Phase 1.5: 调研质量Review检查点
    ↓
Phase 2: 框架提炼（三重心智模型验证）
    ↓
Phase 2.5: 提炼确认检查点
    ↓
Phase 3: Skill构建（组装SKILL.md）
    ↓
Phase 4: 质量验证（已知测试/边缘测试/风格测试）
    ↓
Phase 5: 双Agent精炼（标准化后置工序）

每个Phase都有明确的检查点，用户可以确认质量后再继续。这不是一条单行道，而是一个有回退机制的流水线。

2.2 Phase 1：六路并行Agent Swarm

这是整个流程中最核心的部分。当用户输入一个名字（比如"蒸馏一个芒格"），女娲会启动6个并行的Agent，每个Agent负责一个信息维度：

6个Agent同时运行，各自存档。这解决了传统调研的两个痛点：

痛点1：信息源单一。 传统的做法是读一本书或看几个视频，得到的是一个视角的切片。6路并行意味着你同时从6个角度观察同一个人。

痛点2：维度缺失。 大多数人读芒格，只读《穷查理宝典》。但芒格的Twitter发言、他人的批评、他做出的具体投资决策——这些维度的信息同样重要，却很少被系统性地采集。

2.3 Phase 2：三重心智模型验证

采集完信息，下一步是提炼。但提炼不能靠感觉——女娲设计了一套三重验证机制来确保提炼出的确实是"心智模型"而不是"随口一说"：

验证1：跨域复现

同一个思维框架必须在此人讨论的至少2个不同领域出现过。

以Naval的"杠杆"概念为例：

• 财富创造中谈杠杆（代码、媒体、资本、劳动力）
• 个人成长中谈杠杆（特定知识 + 杠杆 = 复利）
• 职业选择中谈杠杆（选择有杠杆效应的工作）

跨3个领域复现 → 这是真正的心智模型。

如果只在1个领域出现 → 降级为"决策启发式"。
如果0个领域 → 丢弃。

验证2：生成力

用这个模型可以推断此人对新问题的可能立场。

以芒格的"逆向思维"为例：

• 面对"如何成功" → 他会先想"如何确保失败"
• 面对"如何投资" → 他会先想"如何亏光所有钱"

能生成新推断 → 这是真正的心智模型。

验证3：排他性

不是所有聪明人都会这样想，这个模型体现了此人的独特视角。

"反脆弱"是塔勒布的，不是所有人都这样看世界。
"第一性原理"是马斯克的，不是所有工程师都这样思考。

有区分度 → 值得提炼的心智模型。

2.4 表达DNA的量化方法

除了心智模型，女娲还提炼"表达DNA"——这是一个人说话的风格特征集合。具体量化了以下维度：

# 表达DNA的量化维度
expression_dna = {
    "句式特征": {
        "平均句长": "字数/句数",
        "疑问句比例": "疑问句数/总句数",
        "类比密度": "类比数/千字",
        "第一人称使用率": "「我」出现频率",
        "确定性语气比例": "「一定」「显然」vs「也许」「可能」",
        "转折频率": "「但是」「然而」「不过」/千字"
    },
    "风格坐标": {
        "正式 ←→ 口语": "...",
        "抽象 ←→ 具体": "...",
        "谨慎 ←→ 断言": "...",
        "学术 ←→ 通俗": "...",
        "铺垫型 ←→ 结论先行": "...",
        "数据驱动 ←→ 叙事驱动": "..."
    },
    "禁忌与口癖": {
        "此人从不用的词": "...",
        "此人的口癖/高频表达": "..."
    }
}

这个量化体系的目的是让生成的Skill在表达上有辨识度——不是通用AI味，不是角色扮演的浮夸模仿，而是一个有真实质感的声音。

2.5 矛盾处理原则

最有趣的设计是对矛盾的处理。

传统的内容生成会倾向于消除矛盾——把所有信息调和成一套自洽的逻辑。但女娲明确说：矛盾是人格的核心特征，不是需要修复的Bug。

它识别三种矛盾类型：

1. 时间性矛盾：此人早期说A，后来说B → 记录演化轨迹，标注"早期""近期"，以近期观点为主

2. 领域性矛盾：此人在工作中主张X，在生活中主张Y → 分领域记录，不强求统一

3. 本质性张力：既追求自由又重视纪律 → 明确记录为"核心张力"，这是此人最有意思的部分

错误的处理方式是：选一边忽略另一边、编一个调和的解释、或假装矛盾不存在。

这个设计很有价值——真实的人本身就是矛盾的，一个没有矛盾的认知模型反而是假的。

代码实战：从零构建一个芒格视角Skill

3.1 安装女娲

# 一键安装女娲本体
npx skills add alchaincyf/nuwa-skill

3.2 蒸馏一个新人物

# 在Claude Code里直接说
> 蒸馏一个查理·芒格

女娲会确认几个细节（聚焦方向、用途、是否有本地语料），然后启动6路Agent Swarm。完整流程后，你会得到一个 .claude/skills/munger-perspective/ 目录：

munger-perspective/
├── SKILL.md                          # 最终产物（可直接使用）
├── scripts/                          # 工具脚本
│   ├── download_subtitles.sh         # YouTube字幕下载
│   ├── srt_to_transcript.py          # 字幕清洗
│   ├── merge_research.py             # 调研摘要生成
│   └── quality_check.py              # 质量自检
└── references/
    ├── extraction-framework.md        # 提炼方法论
    ├── skill-template.md              # Skill模板
    └── research/                      # 6个Agent的调研结果
        ├── 01-writings.md
        ├── 02-conversations.md
        ├── 03-expression-dna.md
        ├── 04-external-views.md
        ├── 05-decisions.md
        └── 06-timeline.md

3.3 生成的SKILL.md核心结构

一个完整的人物Skill包含以下section：

---
name: munger-perspective
description: |
  查理·芒格视角：多元思维模型、逆向思考、误判心理学。
  触发词：芒格视角、芒格会怎么看、用芒格分析...
---

# 查理·芒格 · 认知操作系统

## 心智模型

### 1. 逆向思维（Inversion）
- **是什么**：遇到难题时，先想"如何确保失败"，然后避免它
- **证据**：多次公开演讲以此为起点，被问成功秘诀先讲失败
- **应用**：面对任何决策，先列"如何搞砸"的清单
- **局限**：不适用于需要正向突破的创造性问题

### 2. 多元思维模型（Latticework）
- **是什么**：重要学科的重要理论都要懂，跨学科框架才能看清真相
- **证据**：《穷查理宝典》贯穿心理学、经济学、工程学、生物学
- **应用**：分析任何问题时，至少从3个不同学科视角切入
- **局限**：框架太多可能陷入"分析瘫痪"

### 3. 误判心理学（Misjudgment Theory）
- **是什么**：人类有大量系统性的认知偏差，知道这些才能避开陷阱
- **证据**：25个误判倾向的完整清单
- **应用**：重大决策前，对照误判清单检查
- **局限**：自己判断自己是否在误判，存在"认知盲区悖论"

## 决策启发式

- **激励不对齐时，先解决激励问题再分析业务**
- **看到的机会太好了、好到不像真的，通常就是假的**
- **不熟悉的领域不投资，不理解的不碰**
- **等待好球再挥棒，不要因为焦虑而提前出手**

## 表达DNA

- 结论先行（不铺垫）
- 爱用"不"字开头的否定句（"不要做X"，而不是"要做X"）
- 类比密度极高，每3句话就有一个比喻
- 确定性语气强，"显然"、"一定"是高频词
- 不开玩笑——严肃但不失幽默感

## 诚实边界

- 蒸馏不了直觉——框架能提取，灵感不能
- 捕捉不了突变——截止到调研时间的快照
- 公开表达 ≠ 真实想法——只能基于公开信息

3.4 直接使用

蒸馏完成后，在Claude Code里直接调用：

> 切换到芒格视角，我在考虑要不要All-in AI赛道

芒格  > 你这个问题问错了方向。

  先别想All-in什么。先想All-in的最大损失是多少。

  任何单一赛道的"全部押注"，本质上是把决策权交给
  你对未来的预判能力。而人类的预判能力，尤其是对
  新兴技术的预判，历史记录极差。

  问你自己三个问题：
  1. 这个决策失败了，你还有退路吗？
  2. 这个机会的数学期望值，你真的算过吗？
  3. 如果这个赛道消失了（概率不低），你学到了什么？

  不是不能押注。是押注之前，先想清楚你赌的是什么、
  赌多大、你输得起多少。

技术细节：六路并行的Agent Swarm设计

4.1 为什么是6个Agent而不是1个？

单Agent调研的问题是：视角单一、容易有盲区。

如果只派一个Agent去研究芒格，它可能会：

• 只读《穷查理宝典》，忽略Twitter发言
• 只关注投资策略，忽略人生哲学
• 只提取正面信息，忽略争议和批评

6路并行的设计确保了信息的多元性和视角的互补性。每个Agent的视角都是片面的，但6个片面拼在一起，就接近完整了。

4.2 信息源优先级与黑名单

女娲设计了一套精细的信息源权重体系：

信息源黑名单（永远不作为来源）：

• 知乎（洗稿严重、信息失真率高）
• 微信公众号（封闭生态、无法验证）
• 百度百科（信息陈旧且不可靠）

对于中文人物，还有特殊规则：B站原始视频、小宇宙播客、权威中文媒体（36氪/晚点/财新/极客公园）优先；知乎和微信公众号永远排除。

4.3 Agent超时与失败处理

每个Agent有5分钟的超时限制。超时则继续推进，不等待。在后续Phase中标注"信息不足"，在诚实边界中说明。

这个设计避免了流程卡死的问题——宁可生成一个诚实标注了局限的60分Skill，也不要因为某个Agent卡住而什么都做不了。

质量保障：四层验证体系

5.1 Phase 1.5：调研质量Review检查点

所有Agent完成后，系统生成一个质量摘要表格：

┌──────────────────┬──────────┬──────────────────────────┐
│ Agent            │ 来源数量  │ 关键发现                  │
├──────────────────┼──────────┼──────────────────────────┤
│ 1 著作           │ 8篇      │ 核心论点: 逆向思维、...     │
│ 2 对话           │ 5段      │ 立场变化: 2020年后...      │
│ 3 表达           │ 120条    │ 高频词: "不要"           │
│ 4 他者           │ 6篇      │ 主要批评: ...             │
│ 5 决策           │ 4个      │ 关键决策: ...             │
│ 6 时间线         │ 完整      │ 最新: 2026年3月...        │
├──────────────────┼──────────┼──────────────────────────┤
│ 矛盾点           │ 2处      │ Agent1说X, Agent4说Y     │
│ 信息不足维度      │ 无       │                          │
└──────────────────┴──────────┴──────────────────────────┘

用户确认质量OK后，才进入Phase 2。这比传统的"做完再检查"效率高得多——在这里，质量问题在源头就被拦截了。

5.2 Phase 4：三重测试

生成Skill后，系统执行3项独立测试：

已知测试（Sanity Check）：选3个此人公开表态过的问题，用新Skill回答，对比实际立场。方向一致 → 模型有效；偏离 → 回溯调整。

边缘测试（Edge Case）：选1个此人没公开讨论过但相关的问题，用Skill推断。期望结果应该是"基于模型X和Y的推断，可能...但不确定"，而不是斩钉截铁。

风格测试（Voice Check）：用Skill写一段100字分析，判断：

• 有此人的表达特征？
• 不是通用AI味鸡汤？
• 不是原话拼凑？

5.3 Phase 5：双Agent精炼

Phase 4通过后，还有标准化的后置工序——双Agent精炼：

Agent A（auto-skill-optimizer视角）：执行8维度结构评估，干跑3个典型测试prompt，输出最弱2个维度的具体改进建议。

Agent B（skill-creator视角）：评审激活触发条件、角色扮演规则的可操作性，识别缺失的关键信息，输出2-3处具体文本改动建议。

主Agent综合两份报告，应用不冲突的改进，展示变更摘要请用户确认。

5.4 通过标准

已蒸馏人物：从乔布斯到张雪峰

女娲.skill已经内置了13个可蒸馏人物 + 1个主题Skill：

每个独立仓库都包含完整的调研数据和效果示例对话。乔布斯的示例还附带了一段完整的实战对话记录（聊AI硬件、OpenAI vs Anthropic、Apple破局），展示Skill在多轮深度对话中的表现。

背后的认知科学：为什么心智模型可以被"蒸馏"？

6.1 思维是算法，心智模型是代码

女娲.skill的理论假设是：一个人的思维方式，本质上是一套算法。

这套算法有输入（问题、情境、信息），有处理过程（心智模型、决策启发式），有输出（判断、选择、表达）。

如果我们能观察足够多的输入-输出对，以及足够的中间过程（著作、对话、决策记录），理论上就能逆向工程出这套算法的核心逻辑。

这就是心智模型可以被"蒸馏"的认知基础——它不是玄学，它是一套可以识别、提取、封装的认知结构。

6.2 表达的独特性：为什么风格不可替代

为什么不仅要提取"想什么"，还要提取"怎么想"（表达DNA）？

因为一个人的表达方式本身也是认知的一部分。

芒格的"先说结论再用类比论证"，不是修辞技巧，是他思考方式的自然输出。费曼的"用简单语言解释复杂事物"，是他的认知风格，不只是表达能力。

当你用芒格的分析框架，但用通用AI的语气输出，你会得到一个错误的认知混合物。框架是对的，语气是假的，用户很快就会觉得不对劲。

提取表达DNA，确保了认知蒸馏的完整性——不只是正确，还要真实。

6.3 "蒸馏不了什么"的诚实边界

女娲.skill最值得称道的设计，是它主动标注了蒸馏的边界：

蒸馏不了直觉。 框架能提取，灵感不能。芒格看到一家公司，几秒钟内就有"感觉"——这个感觉来自几十年的经验积累，无法压缩成规则。

捕捉不了突变。 截止到调研时间的快照。人是发展的，思维是会演化的。Skill里的芒格是他公开表达过的芒格，不是此刻正在思考的芒格。

公开表达 ≠ 真实想法。 只能基于公开信息蒸馏，而公开表达往往是有选择性的——人们倾向于展示自己最好的一面，隐藏自己的矛盾和困惑。

这个诚实边界的标注，不是免责声明，而是认知诚实的体现。知道什么不能做，比知道什么能做更重要。

应用场景：谁需要"造人"？

7.1 独立开发者/创业者

想在创业路上获得高质量的决策参考，但没有导师？

> 切换到Paul Graham，我在考虑做一个AI编程工具，目标用户是独立开发者

Paul Graham > 你的第一个问题不应该是"做什么"。

  YC历史上有两条铁律：
  1. 做一个有人真的在用的东西
  2. 做的时候就要考虑营销

  独立开发者这个人群有意思——他们是用户，同时也是
  最懂产品的人。他们知道什么样的工具能让他们多赚1000
  块钱。

  你的问题是：能不能让你的用户用完之后，清晰地感受到
  "因为我用了这个工具，我今天多赚了X"？

  如果能算出来，你就有了护城河。如果算不出来，你做的
  是锦上添花，不是刚需。

7.2 投资决策参考

想要用芒格框架分析一只股票：

> 用芒格的视角分析小米现在的投资价值

芒格（通过小米视角）> 不要只谈小米。谈小米和苹果的关系。

  小米在做的事，本质上是乔布斯没来得及做的事：
  把高性能硬件+互联网服务+AI能力整合成一个生态。

  苹果控制硬件和软件，但服务在中国做不过小米。
  小米控制生态，但芯片和操作系统受制于人。

  你的问题是：这个"部分控制"的模式，
  在中国市场的长期竞争里，是优势还是劣势？

  估值要看管理层质量。雷军的历史决策记录怎么样？
  他在金山时期做过什么？现在做的事是一脉相承还是转型？
  管理层的利益和股东利益对齐了吗？

  问完这些问题，你大概就知道该不该投了。

7.3 职业发展咨询

用张雪峰的视角分析教育投资：

> 用张雪峰的视角分析：普通家庭的孩子，学AI还是学医学？

张雪峰 > AI别碰。不是不能学，是普通家庭的孩子学AI，
  大概率是给AI公司培养人才，不是让自己阶层跃迁。

  为什么？AI这行现在卷成这样，清北博士都在抢offer，
  普通学校出来的，能竞争的过吗？

  医学不一样。医学是"弱关系强能力"——
  学校重要，但执业证书更重要。执业证书是可以考的，
  不是光靠学校出身的。

  而且医学有壁垒。AI今天学的东西，三年后可能过时。
  医学的知识，三十年后还在用。

  不是说AI不能学。是说对于普通家庭，
  医学的ROI更稳定、更可预期。

  但如果你真的热爱AI、能接受不确定性、愿意赌一把——
  那就选AI。人生不能光算账，也得有那么一点理想主义。

局限性：不是什么？

8.1 不是万能顾问

女娲蒸馏的是认知框架，不是百科全书。它擅长的是：

• 用特定视角分析问题
• 提供决策启发式
• 识别思维盲区

它不擅长的是：

• 提供实时的事实性信息（股价、天气、最新事件）
• 处理需要一手数据的专业问题（法律、医疗）
• 保证100%准确的判断

8.2 公开信息的局限性

蒸馏的质量取决于公开材料的丰富程度。历史人物（芒格、费曼）材料充足，蒸馏质量高。冷门人物可能面临"可用信息不足"的问题——女娲的解决方案是降低心智模型数量（2-3个），并明确标注"基于有限信息推测"。

8.3 不能替代真实的人际关系

这是最关键的一点：女娲是认知工具，不是人际关系替代品。它能帮你用乔布斯的视角分析问题，但它不能给你一个真正的导师——不能根据你的具体情况即时调整，不能在你失败时给你情感支持，不能看到你看不到的盲点。

使用女娲的最佳姿态是：把它当作一个高质量的外部视角，而不是一个全能的认知替身。

总结：数字时代的"造人术"

女娲.skill的出现，代表了一种新的知识封装范式：从"存储知识"到"封装认知"。

传统知识管理是建图书馆——收集、组织、检索。但知识是静态的，不同的人从同一本书里学到的东西完全不同。

女娲做的是把认知过程提取出来——不是告诉你"乔布斯说过什么"，而是让你拥有一个"乔布斯怎么看问题的"认知模块。知识的流动方向变了：从被动获取，变成了主动调用。

这种范式转移的影响可能是深远的：

对个人：普通人可以低成本获取顶级思维模型的咨询意见。以前只有VC和科技大佬能有的"找人聊聊"，现在变成了"问芒格"。

对知识工作者：把专业领域的顶级专家思维模型化，形成可复用的认知资产。比如"巴菲特视角"的投资Skill、"桥水视角"的风险管理Skill。

对AI Agent：Agent不仅有了工具调用能力，还有了"认知调用"能力。面对一个问题时，可以切换不同的认知视角，获得更丰富的分析结果。

最后，回到女娲.skill本身的设计哲学：

女娲造的不是人，是一面镜子。
一个好的人物Skill，让你用另一个人的眼睛看自己的问题。
不是为了模仿他们，而是为了拓展你自己的思维边界。

这是核心。当你在用芒格分析投资问题时，你不是在成为芒格——你是在用芒格的镜片，看清你自己看不清的东西。认知蒸馏不是替代思考，而是增强思考。

你想蒸馏的下一个员工，何必是同事？去蒸馏那些留下了一座认知金矿的人吧。

项目信息

• GitHub: github.com/alchaincyf/nuwa-skill
• Stars: 5401（2026年4月）
• License: MIT
• 安装：npx skills add alchaincyf/nuwa-skill
• 作者：花叔（独立开发者，代表作：小猫补光灯AppStore付费榜Top1）

关联项目

• colleague-skill — 把离职同事蒸馏成AI Skill，11834星
• 13个已蒸馏人物独立仓库：Paul Graham、张一鸣、Karpathy、乔布斯、马斯克、芒格、费曼、Naval等