writing-dna-skill：六层蒸馏法让 AI 稳定复刻写作风格，6000+ 人在用

让 AI 模仿一个作者的文风，是内容创作者提得最多的需求之一，也是翻车翻得最狠的需求之一。本文介绍的开源项目 writing-dna-skill（中文名写作蒸馏器），不是一句"模仿某某风格"的提示词，而是一整套蒸馏流程，让 Agent 把一批完整文章拆成可复用的 Writing DNA，从语言、结构、选题、素材、认知框架到视觉风格，六个层面全覆盖。

先看数据

GitHub 上 1301 Star、134 Fork，MIT 协议，moxt.ai 团队出品，项目 2026 年 6 月底创建，两个多月攒下这个热度。另一边，小红书 REDSkill 排行榜上它的使用人数排第三，超过 6759 人用过。这个 skill 的作者是位前文字记者，他自己用了半年，公开说法是完全改变了写作模式。双口径数据都这么硬，"稳定复刻写作风格"这件事踩中痛点是真的。

为什么普通方法总模仿不好

先回答第一个问题：普通的 skill 为什么总模仿不好。

最常见的做法，丢几篇例文给 AI，补一句"照这个风格写"。很多人以前也这么干，后来发现完全不是这么回事。Agent 只是在凭感觉抓表面语气，它看到的是几篇文章的样子，没有深入到底层规律。

往底层看，预训练靠不住。大模型训练时肯定读过《红楼梦》，但直接让它模仿红楼梦的风格写，它只能从几十亿参数里模糊调取一点残影，因为这些文本已经和其他万亿 token 混在一起，信号被稀释了。

市面上一些蒸馏风格的 skill 也有同样的问题，思维层面没学到精髓，复刻出来的是个只会甩口头禅的空壳。

风格对 AI 是一团模糊感受，模糊的东西没法稳定复现。想复刻，就得先把它变成能记录、能复用、能检查的规则。writing-dna-skill 干的就是这件事。

六层拆法

它的第一步，是把风格当工程问题，基于语言学的研究方法，用量化统计加深度分析，把写作风格拆成可复制的规则，AI 写作的时候逐层对照。底层假设是，写作风格是好几个相对独立的维度叠加出来的，拆开分析比混在一起抓更准。

每一层掰开来看：

• L1 语言层：最小单位，作者爱用哪些词、句子多长、爱不爱用感叹号、标点习惯
• L2 结构层：文章的骨架，怎么开头、递进、收尾，段落之间的过渡方式
• L3 选题逻辑：作者倾向于选什么题、从什么角度切入
• L4 素材偏好：喜欢用什么类型的案例、数据、引用
• L5 认知框架：作者的世界观、价值判断、思考问题的方式
• L6 视觉风格：排版、配图、小标题风格、视觉呈现

README 里的总结很准：L1-L2 解决怎么写，L3-L5 解决怎么想，L6 解决怎么呈现。只抓 L1，文章读着像但想法不像。只抓 L2，框架像但语气不像。

这个分层不是拍脑袋分的。语言学里有个老共识，分析一篇文章的风格，得从词汇、句法、语义三层分开看。作者在这个基础上往外扩了两步，语义层拆细成选题逻辑和世界观，又加了视觉风格层，变成六层。

表里还有个 _meta，是对每篇文章的数据标注，可以理解成大模型预训练前那步数据清洗加标注。agent 先逐篇把关键特征标清楚，再基于标注做跨篇统计和归纳，跳过这步直接统计容易抓偏。

四个关键设计

分层是骨架，落到执行层，仓库里那份 325 行的 SKILL.md 藏着四个设计，每一个都在解决一个具体痛点。

1. 图片内容强制纳入分析

痛点是图文账号的截图、对话记录、数据表格本身就是论证链的一部分，截图可能就是转折点所在，精确数据可能只存在图里，不看图就漏证据。执行上要求至少抽样 5-10 篇带图文章，让 agent 描述图片内容并纳入分析。

2. 元数据标注不可跳过

痛点是开头怎么写、正文怎么组织这种事全凭感觉，得变成可统计的分布。每篇文章都建结构化元数据，记录标题、日期、作者、栏目、hook_type（开头类型）、structure_pattern（结构骨架）等字段。风格规律从此有了数据地基。

3. 结构模板按内容类型分类

痛点是访谈和短评的结构差得很远，一套通用模板哪种都套不准。蒸馏按访谈、深度分析、短评等类型分别整理模板。比如访谈类模板：引题段（150-300字）→ 为什么此时此人值得聊 → 关键背景 → 本篇核心问题 → 正文 Q&A（每个大话题前有小标题）。

4. 中英文产物分离

痛点是用中文下指令，却想产出英文 Newsletter。中文走 templates/author-corpus/zh/，英文走 templates/author-corpus/en/，两套模板互不干扰，避免语言混用导致风格漂移。

如何上手

设计讲完，实际上手只要三步：攒素材、跑蒸馏、复用产物，由浅入深正好是使用的顺序。

第一步：攒素材

这步最关键，也最需要人介入，因为蒸馏器的产出质量，上限是被素材锁死的。喂二流素材，蒸出来的产物不会比这更好。

硬要求有几条：

• 数量：至少 20 篇这个作者的完整文章，30 篇才进理想区间，连低频的小习惯都能采到。但也别迷信数量，文章太多导致风格不统一，效果反而打折扣
• 长度：优先选完整长文，短文和碎片内容参考价值低
• 一致性：尽量选同一时期、同一栏目、同一主题方向的文章，风格漂移小
• 素材来源：本地 word、pdf 让 agent 转 .md 或 .txt，用 markitdown 之类的工具转起来很方便。线上素材让 agent 批量抓取

第二步：跑蒸馏

素材备好，这步完全不用动手，一句话：

请使用 writing-dna-skill 蒸馏分析这个目录里的所有文章。

然后它自己跑，一般几分钟到十几分钟，除非文件特别多或者配图太多拖慢了处理速度。过程中它干七件事：

1. 收集文章进 raw/
2. 逐篇建元数据形成 _meta/
3. 统计词频句式（L1）
4. 分析结构模式（L2）
5. 归纳选题逻辑（L3）
6. 提炼认知框架（L4-L5）
7. 记录视觉风格（L6）

跑完的目录结构：

作者或账号名称/
├── raw/                    # 原始文章语料
├── _meta/                  # 元数据标注
├── L1-language/            # 语言层分析
├── L2-structure/           # 结构层分析
├── L3-topic/               # 选题逻辑
├── L4-material/            # 素材偏好
├── L5-cognitive/           # 认知框架
├── L6-visual/              # 视觉风格
└── Writing-DNA.md          # 整合文档

其中 L3-L5 项目原文明说无法用脚本完全替代。脚本算得出词频，算不出一个作者的价值判断。工具能干的永远是可量化的那一半。

第三步：复用

有意思的来了，蒸馏完 AI 不是直接就能写出这个风格，每次写作前必须重新读取，不允许只凭 Writing-DNA.md，也不允许凭上一轮对话的记忆下笔。这是 SKILL.md 里的硬规定。

道理不复杂。整合文档是压缩后的结论，具体的语感、句子长短、过渡方式和标点习惯，只存在于分层产物和原文里。完整流程是先读完全部四份分层产物加整合文档，一份不跳，再读几篇原文范文，然后才开始写。

跟 agent 这样说：

把蒸馏出来的 Writing-DNA.md 和所有风格文档读一遍，再读几篇原材料的范文，然后用这个风格，写一篇关于 XXX 的文章。

agent 写完还能按 Writing-DNA.md 末尾那张自检清单过一遍。作者自己说，agent 出的初稿至少 70 分水准，在他基础上改，比从零写简单太多。

规则打架时按这个优先级取舍：用户的明确指令 > 匹配当前体裁的结构模板 > 语言特征与视觉风格 > 认知框架。还有一条硬边界，原文里的具体观点和事实不能直接搬进新文章，那是抄袭不是风格复刻。

底层原理：为什么这套东西有效

三步走完，再聊一下最深层的问题，这套东西为什么有效。

接着开头的红楼梦说。预训练里的信号被稀释了，但如果把十几万字的红楼梦原文摆进上下文，再把提炼出来的风格规则放在最前面，模型的注意力就被锚定在这些具体内容上。它不再从几十亿参数里模糊调取，而是在当前上下文里精确匹配。

蒸馏的作用就是把模型当下的注意力完全集中到你需要的风格上。

作者还试过另一条路，微调。拿几十篇文章做 SFT，效果很差。他和算法朋友交流过结论：几十万字相对于预训练见过的万亿 token，信号太弱，权重几乎没偏移，训完推理还是老样子。

微调试图改变底层记忆，蒸馏改变的是此刻的注意力焦点。写作风格复刻这种小样本场景，后者天然更有效。

如何去 AI 味

风格像了，还有最后一道坎。蒸馏解决的是像不像这个作者，AI 味是另一个问题，像不像机器写的。风格对了，句子还是可能动不动就是"首先、其次、最后"，小标题一律"一、二、三"，过渡全是"值得注意的是"。

仓库随附了 skills/lieflat-less-ai-tone/ 规则集当收尾工序，白名单式改写，只处理清单里明确列出的规则，没命中的句子逐字保留，不动文章骨架。

使用方式：

请用 lieflat-less-ai-tone 的规则，检查并改写刚才那篇文章。先读这个作者的语言DNA.md，冲突时以蒸馏产物为准。

注意那个冲突规则。蒸馏产物和去 AI 味规则打架时，以蒸馏产物为准。目标作者本来就爱用破折号，就不该按通用规则删掉，那是作者的真实写法，不是 AI 痕迹。

它学不会的

很多人说蒸馏会替代一个人，作者的判断是为时尚早。蒸馏学的是怎么写，它学不会想什么。

它能高保真复刻一个人的声音和结构，也就是那个容器，但它给不了作者此刻的认知，这些东西不在历史语料里，它当然抓不到。想用蒸出来的风格写一篇有深度的新文章，光有 writing-dna 不够，还得有新的输入和思考。

作者现在的做法是，有了话题先自己收集所有相关信息，不断和 agent 交流得出新认知，内容全放进 moxt 的空间。打字麻烦就语音口述，天马行空想到啥说啥，最后让 agent 用蒸馏出来的风格整理成稿。

适合哪些人用

• 想系统分析某个账号写作风格的创作者
• 想沉淀自己写作资产的人——把自己的历史文章蒸成 DNA，以后让 Agent 按自己的风格代笔
• 需要给 Agent 提供风格参考的内容团队
• 研究写作风格、做文体分析的研究者

一点思考

如果打算使用这个蒸馏 skill，语料投喂至少 20 篇以上。examples/format-only/ 只演示目录格式，不代表真实蒸馏效果，别拿少量短文评估这个工具的能力。

它真正的贡献不是某个提示词技巧，是把写作风格这个模糊概念工程化，并整理成了一套可执行的流程——六层分析、结构化元数据、类型化模板、强制读取，每一步都在把感觉变成规则。对于内容创作者来说，这是一个把个人风格资产化的实用工具。

项目地址：https://github.com/larashero3-dotcom/writing-dna-skill