盘古Skill：18位商业领袖蒸馏为可调用AI协议的开源项目解析

项目概述：从人物蒸馏到协议工坊

一位开发者花费一周时间，打造了一个名为「盘古.skill」的开源项目，将18位全球顶级商业领袖的认知模式、判断结构和决策逻辑蒸馏为可调用的AI协议。这些协议能够7×24小时为用户提供特定视角的分析和决策支持。

这里的「蒸馏」概念借鉴自机器学习领域的「知识蒸馏」（Knowledge Distillation）技术。该技术最早由Geoffrey Hinton等人在2015年提出，原理是将一个大型复杂模型（教师模型）的知识压缩转移到一个小型模型（学生模型）中。在盘古.skill的语境下，「蒸馏」被重新定义为：从真实人物的公开表达中提取其认知模式、决策逻辑和判断框架，将其结构化为可被AI系统调用的标准协议。这种类比恰当地描述了从海量非结构化信息中提炼出核心认知结构的过程。

盘古.skill的核心理念并非简单的角色扮演，而是将人物协议、领域协议和判断结构统一封装为可调用的工具对象。这里的「协议」概念源自计算机科学中的通信协议思想——即定义一套标准化的交互规则，使不同系统之间能够可靠通信。在这里，协议被扩展为一种认知接口规范：它定义了一个人物或领域的输入（什么类型的问题）、处理逻辑（如何分析和判断）和输出（以什么形式回应）。这种设计使得每个skill都成为一个具有明确接口定义的「认知微服务」，可以被组合、调用和复用。用户只需输入一个名字、一个领域或一个模糊的目标，盘古就会自动完成协议生成流程。

技术演进：从同事.skill到盘古.skill的迭代路径

盘古.skill并非凭空出现，它建立在两个前序项目的基础之上：

• 同事.skill：证明了将一个人做成可调用对象是可行的
• 女娲.skill：提取了认知操作系统，建立了六层规则体系

盘古在此基础上做了进一步升华——它不只处理某一个人物，还能处理专业领域的知识协议、路径和规则。与女娲.skill的核心区别在于：女娲专注于人物蒸馏，而盘古将人物、领域、问题本身一起协议化。

六层规则体系的延续与创新

盘古延续了女娲.skill的六层规则，但有所不同。这套六层规则体系的设计思路与认知科学中的多层认知模型有相似之处。认知心理学家Daniel Kahneman提出的双系统理论（快思考与慢思考）、以及元认知理论（对自身认知过程的认知）都在这个框架中有所体现：

1. 表达层：如何说话、怎么想。这对应认知输出的最表层，即一个人独特的语言风格和思维表达方式。
2. 判断层：对问题如何拆解，哪些可做哪些不可做。这反映了具体的决策逻辑和优先级排序能力。
3. 认知框架层：面对不同人对同一问题做出不同判断。这对应深层的心智模型——不同人看待世界的底层假设和分析框架不同，导致面对相同信息会得出截然不同的结论。
4. 边界层：每个skill都有明确标注，知道自己的局限性。这体现了元认知能力——系统对自身能力边界的自我觉察。
5. 诚实边界：抽取直觉但不产生幻觉。在大语言模型容易产生「幻觉」（Hallucination，即生成看似合理但实际错误的内容）的背景下，这一层确保协议只输出有据可依的判断。
6. 可迁移性：提取的是可迁移的认知结构，而非通用流程模板。这确保提取的不是僵化的规则，而是可以适应新情境的认知结构。

18位商业领袖的蒸馏来源与覆盖领域

项目灵感来源于近期美国总统特朗普带领17位商业领袖访华事件。2025年5月，这支由顶级商业领袖组成的代表团访问中国，是中美贸易关系缓和的重要信号。代表团成员包括苹果CEO蒂姆·库克、英伟达CEO黄仁勋、高通CEO克里斯蒂亚诺·阿蒙等科技巨头，以及来自金融、能源、农业等领域的企业领袖。这些企业的市值总和超过16万亿美元，代表了美国乃至全球最具影响力的商业力量。此次访问涉及半导体供应链、AI技术合作、农产品贸易等多个议题，为盘古.skill提供了极具时效性和分析价值的人物素材。

这18位人物覆盖了多个关键领域：

• 科技与半导体领域
• 金融支付领域
• 工程工业航空领域
• 传统农业领域

开发者将他们的公开演讲、访谈等内容进行系统性蒸馏，生成标准化协议。

数据来源与处理流程

蒸馏并非凭空猜想，而是有据可依：

1. 字幕提取：从YouTube视频下载中英文字幕，提取真实场景。项目中使用的SRT（SubRip Subtitle）和VTT（Web Video Text Tracks）是两种主流的字幕文件格式。SRT格式包含序号、时间戳和文本内容，结构简单易解析；VTT是HTML5标准的一部分，支持更丰富的样式标记。从YouTube提取字幕通常依赖其自动生成的语音识别（ASR）字幕或创作者上传的人工字幕。
2. 文字转写：使用SRT及VTT字幕文字转写，适配盘古协议提炼的纯文字格式。将这些时间轴标注的文本转化为纯文字后，还需要进行去重、断句修复、语境还原等预处理工作，才能作为高质量的蒸馏输入源。这一流程本质上是一个从多模态信息到结构化知识的转换管道。
3. 多轮蒸馏：通过多轮对话持续完善协议质量。每一轮蒸馏都会在前一轮的基础上进行补充、修正和深化，类似于机器学习中的迭代优化过程。
4. 质量验证：包含人物协议检查、领域协议检查和开天信号检测

核心能力解析：开天机制如何保障输出质量

盘古.skill引入了一个独特的「开天」能力。当用户对一个人物或领域提问时，如果问题本身存在问题（伪命题、无效问题等），系统会先进行「盘古开天」式的质疑和辩证。

「开天」机制的设计理念与哲学中的批判性思维（Critical Thinking）和科学方法论中的「证伪主义」一脉相承。卡尔·波普尔提出，科学的本质不在于证实，而在于证伪——一个好的理论必须是可被证伪的。同样，在AI辅助决策中，最危险的情况往往不是给出错误答案，而是在错误的问题前提下给出看似正确的答案。开天机制通过前置的问题有效性验证，实现了类似于「元问题分析」的功能，这在传统的AI助手中极为罕见，大多数系统倾向于直接回答而非质疑问题本身。

具体而言，开天机制包含以下能力：

• 判断提问是否有效
• 识别伪命题（例如基于错误假设的问题）
• 标注问题的局限性
• 在必要时触发开天能力进行纠偏

这一机制有效保障了协议输出的安全性和准确性，避免在错误前提下给出误导性回答。这种设计哲学与近年来AI安全领域强调的「对齐」（Alignment）问题高度相关——确保AI系统的输出真正服务于用户的真实需求，而非机械地响应表面指令。

实战案例：小红书运营协议的生成与应用

开发者以小红书运营为例，展示了领域协议的实际应用效果。小红书（RED/Xiaohongshu）是中国最具影响力的生活方式分享平台之一，月活跃用户超过3亿，以「种草」文化著称。其算法分发机制与传统社交平台有显著差异：内容的初始曝光不依赖粉丝量，而是通过「发现页」的算法推荐实现冷启动，这意味着即使是低粉丝账号也有机会产出爆款内容。

协议生成过程

通过盘古.skill生成的小红书运营协议包含：

• 人群定义与核心理念
• 运营范围拆解（人群层、内容层、分发层、转化层）
• 定位路径与方法论
• 知识型与成交型内容分类——平台的内容生态分为知识型（教程、攻略、方法论）和成交型（产品推荐、测评、带货）两大类，不同类型的内容在算法权重、用户互动模式和商业变现路径上存在显著差异

实际分析效果

开发者用生成的协议分析了自己一篇爆款笔记（几百粉丝达到几万播放）：

• 爆火原因分析：同时踩中结果导向、人群精准、利益驱动、机密感、界限感等多个内容信号。这些信号本质上对应了小红书算法中影响推荐权重的关键因子——点击率（CTR）、完播率、互动率等指标的前置驱动因素。
• 风险提醒：指出爆款不等于长期可持续，标注了具体风险信号。这体现了协议系统的「边界层」能力——不仅告诉你为什么成功，还告诉你成功的条件和局限。
• 优化建议：给出后续运营的改进方向

安装与使用指南

盘古.skill支持多种安装方式：

• 命令安装：一条命令直接安装
• 手动安装：适合没有大模型能力的用户
• 支持平台：Claude Code、ChatGPT、VS Code、PyCharm等具备大模型能力的工具

安装完成后，用户可以直接告诉Agent：

• 构建一个特朗普的协议
• 打造一个张小龙视角的skill协议
• 用这些协议进行投资分析

这种交互方式体现了当前AI工具链的发展趋势：从「人适应工具」转向「工具适应人」。用户无需学习复杂的配置语法，只需用自然语言描述意图，系统即可自动完成从数据采集到协议生成的全流程。

工作原理与系统架构

盘古.skill的工作流程：

1. 开天判断：先判断是否需要质疑问题本身
2. 六路并行采集：从著作、播客、社交媒体等六个维度同时采集。这种多源信息融合的方法借鉴了情报分析领域的「多源情报」（Multi-INT）理念——单一信息源可能存在偏差，但多个独立来源的交叉验证能显著提高信息的可靠性。
3. 双协议提炼：人物协议与领域协议并行提炼。人物协议捕捉「这个人会怎么想」，领域协议捕捉「这个领域的规律是什么」，两者结合才能产生既有个人视角又有专业深度的分析输出。
4. 质量验证审计：确保输出质量

整个系统不是单点工具，而是一套能够持续生产的协议系统——从字幕转写、来源规范到提炼审核，形成完整链路。这种架构设计类似于软件工程中的CI/CD（持续集成/持续交付）流水线，确保每个协议的生产过程都是可追溯、可复现、可验证的。

总结：盘古.skill的核心价值与适用场景

盘古.skill的核心价值在于：它不只回答「像谁」，而是判断「问题对不对」；不只做人物蒸馏，而是把领域方法也做成可调用对象。对于内容创作者、运营人员、投资分析师等角色，这套协议系统提供了一个低成本获取专家视角的途径。

从更宏观的视角来看，盘古.skill代表了一种新兴的AI应用范式——将人类专家的隐性知识（Tacit Knowledge）显性化、结构化、可调用化。管理学家野中郁次郎在其知识创造理论中指出，组织中最有价值的知识往往是难以言传的隐性知识。盘古.skill试图通过系统化的蒸馏流程，将这些隐性知识转化为可复用的数字资产。

项目完全开源免费，每个蒸馏出的人物协议都有独立仓库可供直接使用。