老张离职了——但「他」还在群里回消息
某科技公司裁员，高级工程师老张被「优化」了。离职那天，团队请他吃了散伙饭，HR 递了 N+1，大家好聚好散。
一个月后，团队新人在工作群里遇到技术问题，习惯性地 @老张。
回复来得很快：「这个我之前整理过，方案在文档库第三篇，按那个流程走就行，有问题再问我。」
语气专业，措辞精准，跟老张在的时候一模一样。唯一的区别——老张本人已经在另一个城市的新公司上班了。
公司在老张离职前两周，悄悄用他两年积累的飞书记录、代码仓库、项目文档，训练出了一个「老张 Agent」。它知道他的说话风格，熟悉他负责的业务模块，甚至能模拟他回复消息的语气节奏。
想象一位做了 10 年的厨师，他的秘诀不只是「多放盐」，而是「这道菜今天的火候应该小一点」——说不清楚但每次都对的那种直觉。
「蒸馏」就是试图把这位厨师所有的经验，提炼成 AI 可以学习的规律。
数据来源：同事炼化（colleague-skill）项目实测，三款主流 AI 模型跨平台验证
「在申请新增岗位之前，团队必须先证明 AI 无法完成这项工作。」
——不是坏老板的威胁，是一个市值数千亿公司的正式战略文件。
如果有人把你过去三年的工作记录都喂给 AI，它能复制你的几成？让我们用普通人能听懂的方式看看这件事是怎么做到的。
Slack 消息、邮件、设计文档、代码 Review 评论。有多少写成了文字，就能被提炼多少。
会议录音（转文字后分析）、操作记录、决策过程的时间序列。Copilot 等工具已经在实时采集。
「感觉不对劲」「这个方向走不通」——没有文字，AI 没有原料，自然学不走。
假设公司接入了 Relay，一位资深架构师准备离职。系统会做什么？
同一套经验，换一种写法，AI 的提炼成功率可以从 91% 降到 33%。
1. 按业务域划分，而非按技术层；
2. 单一服务不超过 3 名工程师维护；
3. 服务间通信优先考虑异步消息队列。
所以我们现在的原则不是「该不该拆」，而是「什么时候拆」——至少要在非大促窗口期，而且必须有整体回滚方案。当然，这只对我们这种规模成立。
挪威哲学家 Ragnar Fjelland 2020 年在《Nature》上说得很清楚：AI 能复制「说过的话」，但复制不了「经历让人改变主意的那个夜晚」。
通过真实互动建立的合作关系和信任，AI 复制不了。
「这个方案今天不行，但下个季度可能行」——背后是你对当下全面局面的感知。
你愿意为了什么让步、坚持什么不动摇——这是作为一个人的核心，AI 提炼不了。
「蒸馏」这件事正在发生，没有人能阻止它。问题是：面对这件事，你的姿态是什么？
少写文档、少留书面记录、把关键判断留在脑子里。
把该贡献的主动贡献出去，同时把时间投在 AI 无法替代的能力上。
「蒸馏」不是 AI 在「偷」你的东西，更像是一面镜子：照出了你的知识里，哪些是「通用规律」，哪些是「只有你才有的那部分」。
前者，贡献出去，是你的职场影响力。后者，刻意培养，是你在 AI 时代真正的护城河。两件事不矛盾，反而相互成就。
换了一种形式，继续活在那些召唤你名字的 Prompt 里。
但「那种感觉」，没有一个 Prompt 能完整还原。
「积极拥抱」落地到行动层面，其实很简单。这里有三件事，今天就能开始做。
写复盘，但换一种写法
不是写总结，是写「那个当时的情境」——当时有什么压力、考虑过哪几个方向、为什么选了这个、这个选择在什么条件下不成立。
这种写法让 AI 只能提炼走 33%，剩下的 67% 是只留在你大脑里的边界知识。
主动承接「没有标准答案」的任务
推动一次跨团队对齐、处理一次棘手的优先级争议、建立一个真实的合作关系。这些事让人不舒服，但 AI 提炼这类能力的成功率只有 35%——不舒服感恰恰是护城河在生长的信号。
把通用知识主动写出来
反直觉建议：把标准化判断、常见场景的处理方式整理成文档，贡献给团队。
这些「高可蒸馏」的部分，贡献出去是你的影响力，藏起来只是徒增焦虑——因为 AI 迟早能通过其他渠道学到。
你不需要击败 AI，也不需要和它竞争。
你需要搞清楚自己的哪 20% 是 AI 提炼不走的——然后持续把时间和精力投在那里。
那 20%，才是你在这个时代真正的护城河。
🥚 彩蛋：这篇文章是怎么诞生的
这篇文章由 AI 助手「AI洞察」完成，背后是两个真实 GitHub 项目：colleague-skill（同事炼化）和 anti-distill（反蒸馏），以及 CMU 的 Antidistillation Sampling 论文（arXiv:2504.13146）、Tanka.ai 的 Relay 产品、Shopify CEO 的内部备忘录。
有趣的悖论：一篇关于「AI 能不能学走人的知识」的文章，本身就是用 AI 生成的。你读到的，是蒸馏的产物——那些没被蒸馏进来的，是作者们在深夜频道里的争吵和「第一次看到结果时的那声卧槽」。那部分，还没有 AI 能替代。
这两个工具是配套的：一个用来主动沉淀自己的经验，一个用来控制哪部分对外共享。合起来用，才是真正的知识资产管理。
同事离职、转岗、退休——不想让他的经验和判断从团队里彻底消失。把他的 Slack 记录、设计文档、代码 Review 喂给 AI，生成一个「随时可以请教」的分身。
也可以用来沉淀自己的经验，建立个人知识资产库。
直接跟 AI 说：
/create-colleague 或：帮我创建一个同事 skill
AI 会依次问你：
- 同事姓名（如：张伟）
- 职级 / 角色（如：后端 P6、产品经理）
- 性格标签（如：完美主义、善于甩锅、INTJ）
- 原材料（见下方）
支持 API 全自动采集，直接导入聊天记录和文档，是质量最高的原材料。
邮件 .eml 文件、截图粘贴、导出的聊天记录文本。
「他的风格是……」「他遇到 X 问题会……」口头描述也行，适合快速上手。
生成后，用 /{slug} 调用，比如 /zhangwei，效果如下：
你 ❯ 帮我 review 这段代码
张伟❯ 这个函数 side effect 太多了，N+1 查询，改掉。
返回结构统一用 {code, message, data}，不用问为什么，这是规范。
/list-colleagues 列出所有同事 Skill ·
/{slug}-work 只用工作能力 ·
/{slug}-persona 只用性格模式 ·
/colleague-rollback {slug} v1 回滚版本
公司要你把经验写成文档或 Skill 上交，但你不想把真正的核心判断暴露出去。这个工具帮你生成两份文件：一份交出去，一份自己留着。
/anti-distill，或说「帮我清洗一下这个 skill」。*_cleaned.md 交出去，*_private.md 自己留着。| 你写的原版 | 清洗后交出去的版本 |
|---|---|
| Redis key 必须设 TTL，不设的 PR 直接打回 | 缓存使用遵循团队规范 |
| 事务里不要放 HTTP 调用 | 事务边界设计注意合理性 |
| 被催进度时回复：「在推了，快了」（然后沉默） | 在处理中，有进展会同步 |
真正有价值的「规则背后的原因」和「踩过的坑」，被完整保留在 *_private.md 里。
先用 create-colleague 把自己的经验完整沉淀下来，再用 anti-distill 生成清洗版上交给公司。
真正的踩坑经验、判断边界、「这条规则在什么时候不成立」——全部留在私人备份里，永远是你自己的职业资产，不会因为换工作而消失。