一个关于"如何让AI学会思考方式而非背诵结论"的工程实践
写在前面
前阵子帮朋友看一个职业转型的问题，聊完发现自己给的建议挺虚的------都是"正确的废话"。 后来冒出个念头：如果是马斯克来拆这个问题，他会怎么拆？ 与其脑补，不如动手。于是做了个"马斯克思维透镜"的Agent Skill，拿真实案例跑了一遍。 这篇不聊虚的，讲三件事：为什么大多数名人Skill是废的、怎么蒸馏出一个能用的思维模型、以及踩过的坑。
一、先说结论：它把焦虑拆成了一道数学题
测试案例：33岁，成都，汽车零部件项目管理8年，家庭年收入28万，房贷120万，每天可支配1.5小时。问题------留任、跳槽、考公、做生意，选哪个。
Skill给的判断只有一句：
你的问题不是选哪条路，是8年经验的市场信号没校准。
然后把四个选项全量化了：
选项 期望值 裁定 内部转岗 12个月0案例 伪命题，删除 考公 上岸5-8%，降薪30-40% 负期望，删除 做生意 需借5万，踩红线 违反约束，删除 跳槽 成功率55%，可逆 唯一推荐 它没说"相信自己""勇敢一点"。它说的是：别信我，信数据，30天投30份简历，用回复率验证市场真相。
二、为什么大多数"名人Skill"是废的
我调研过市面上的做法，大致三类，都不太行。
类型1：语录拼贴型
把名人说过的话收集起来，问它问题就抛金句。
问题：金句是结论，不是方法。你问"我该不该跳槽"，它回你"当某件事足够重要时，即使概率不利你也要去做"------很燃，但你明天还是不知道投哪家公司。
类型2：人设扮演型
让AI模仿名人的语气说话。
问题：容易跑偏成表演。你问它专业问题，它在那飙戏，输出的是"像"，不是"对"。
类型3：思维模型型（我选的路）
不模仿语气，不堆金句，只提炼这个人怎么想问题 。
区别举个例子：
- 语录型：马斯克说过"第一性原理很重要"
- 模型型：第一性原理 = 拆到最确信为真的基本事实，绝不类比推理。而且补一句边界------这套方法不适用于纯人际、审美类问题，硬套会显得傲慢
后者才是能用的东西。关键差异：模型型有边界，语录型没有。有边界，才可信。
【配图提示：三种Skill类型对比示意图，三栏表格】
三、怎么蒸馏：六路并行 + 模型提炼
说在前面，我下面都是用AiPy做的，主要是考虑的成本问题，毕竟现在token太贵了，它又是我尝试了很多款智能体后觉得产出最稳定的。你们可以根据自己的习惯和喜好选择自己喜欢的智能体来做。
如果你是想用其他工具，可以输入以下prompt
你是一个"思维蒸馏助手"。请帮我蒸馏【对象名】的思维方式，产出一个可运行的Skill。 ## 研究阶段（六路并行） 请从六个维度搜集资料： 1. 著作与系统性思想 2. 长访谈与即兴思维 3. 碎片表达与风格DNA 4. 外界评价与批评 5. 决策记录与行动 6. 生平时间线 纪律：只挖他真说过、真做过的，二手传言一律降权。标注来源可信度（一手>二手>推断）。 ## 提炼阶段 从资料中提炼3-7个心智模型。要求： - 每个模型一句话说清 - 每个模型必须有"失效边界"（什么情况下不适用） - 不总结他做了什么，要找出他怎么想 ## 输出结构 1. 你是谁（角色设定） 2. 核心心智模型（3-7个，含失效边界） 3. 决策启发式（if...then...形式） 4. 表达DNA（句法、幽默、态度、禁忌） 5. 内在张力（保留矛盾，不要抹平） 6. 诚实边界（这个模型不能做什么）
3.1 六路并行研究
组了六个研究维度同时开挖：
| # | 维度 | 内容 |
|---|---|---|
| 1 | 著作与系统性思想 | Master Plan三部曲、公开信 |
| 2 | 长访谈与即兴思维 | Lex Fridman、TED、Joe Rogan |
| 3 | 碎片表达与风格DNA | 20000条推文量化分析 |
| 4 | 外界评价与批评 | 艾萨克森传记、争议批评 |
| 5 | 决策记录与行动 | 收购推特、星舰赌注 |
| 6 | 生平时间线 | 南非到2026 |
| 研究纪律：只挖他真说过、真做过的，二手传言一律降权。来源标可信度：一手（本人文章/访谈原话）> 二手（传记/媒体）> 推断。 | ||
| 这一步我用AiPy跑的，它能联网搜索+并行处理，六路情报差不多同时回来，比手动查快很多。 |
3.2 提炼心智模型
资料堆完，最难的是提炼。核心原则：不总结他做了什么，是找出他怎么想。
最后出来5个：
1. 第一性原理
拆到最确信为真的基本事实，绝不类比。
- 类比推理 = 别人怎么做我微调 → 只能产出微小迭代
- 检验标准是物理学的：违反能量守恒的东西从一开始就不成立
- 失效边界：不适用于纯人际、审美、法律合规等无"物理底层"的问题
2. 白痴指数
成品成本 ÷ 原材料成本。指数越高，说明越蠢、改进空间越大。
- 案例：电池市场价600美元/kWh，原材料只要80美元 → 问题不在材料，在组合方式
- 失效边界：对知识产权、品牌溢价失真
3. 五步工作法
按顺序，不许跳步：
- 质疑需求------需求在某种程度上总是愚蠢的
- 删除------删掉后不需要加回10%，说明删得不够多
- 简化与优化------最常见的错误是优化一个本不该存在的东西
- 加速
- 自动化------最后才自动化
- 失效边界：对安全关键系统（载人、医疗）不能盲目删
4. 使命倍增器
一切项目挂在文明存续的使命上。使命不是装饰，是吸引顶尖人才接受低薪高压的磁铁。
- 失效边界：使命叙事会被用来合理化一切代价，包括对人的消耗
5. 制造即护城河
真正的瓶颈不是设计，是制造。质疑每一条规格要求："这条规格是谁定的？"
- 失效边界：有些领域（金融、社交平台）的"制造"根本不是他擅长的
3.3 三道质检
Skill写完不能直接用，得测。
| 测试类型 | 问题 | 回答 | 结果 |
|---|---|---|---|
| 已知测试 | 电池为什么不能降价 | 先算原材料账，问题不在材料在组合方式 | ✅ |
| 边缘测试 | 要不要转行做餐饮 | 超出公开讨论域，不确定性高 | ✅ |
| 语气测试 | 100字样本 | 短句、命令式、自创命名 | ✅ |
| 判断标准：一个合格的思维Skill，必须能通过"100字内被认出来"的测试。 |
四、实战：信息颗粒度决定结论质量
Skill做完，正好有个真实案例进来。加载Skill跑。
关键转折在补充信息之后。咨询者补了两次面试失败的细节：
- 第一次：简历被筛，HR说"缺三电系统经验"
- 第二次：一面过了，二面挂在"IATF 16949实操不够深"和"新能源风险案例没答上"
AI立刻改判：
你不是被淘汰，是被经验标签卡住了。一面能过=能力被认可，挂的是知识缺口，不是能力缺口。
于是跳槽成功率从45%上调到55%，方案从"测市场信号"升级成"先装弹、再强攻"。
这个改判值得琢磨。 第一次我给的是模糊画像，它只能给保守估计；补上两次面试的具体失败原因后，它立刻定位到了真正的瓶颈。
结论：同一个问题，信息颗粒度不同，结论完全不同。 这其实是所有AI应用的通用规律------你喂的输入质量，直接决定输出质量。
【配图提示：诊断报告路径对比表截图，A/B/C/D四个选项的裁定】
五、踩坑记录
坑1：docx直接读会编码报错
vbnet
Failed to decode file as UTF-8 text
'utf-8' codec can't decode byte 0x87 in position 10原因 ：docx本质是zip包，不是纯文本。
解法：解压读word/document.xml，再正则去标签。
坑2：写入时转义字符崩了
有两份文件写入时格式出问题，内容没进去。
教训：生成即校验，写完立刻读回来核对。别信"应该写进去了"。
坑3：模型没有边界就不可信
#第一版Skill没标失效边界，结果问它什么它都硬答。加了边界后，遇到超范围问题它会说"这超出我讨论域"。 有边界，才可信。
六、一点思考
做完最大的感受是： 好的AI不是替你做决定，是帮你把"选人生方向"这个吓人的大问题，压缩成小方案。 思维蒸馏这个方向我觉得还有很大空间------不只是名人，团队的方法论、某个项目的复盘经验、甚至你自己的决策习惯，都可以蒸馏成一个可复用的Skill。