封面报道｜“反蒸馏”之战

文｜财新周刊 罗浥萌（实习），汤涵钰

今年3月以来，GitHub上一个名为“Colleague.skill”（同事.skill）的开源智能体（Agent）项目爆红网络。只要向它提供离职同事在职期间的聊天记录、工作文档、电子邮件等，辅以一些对其性格、习惯、表达风格的主观描述，就能“蒸馏”出一套该员工工作习惯、说话方式的数字技能包。他人再通过智能体平台调用后，即可“唤醒”这名员工的“数字分身”。

此处的“蒸馏”一词，借用了人工智能领域“模型蒸馏”（Model Distillation）的概念。其背后的技术含义是“skill（技能）化”，即通过采集行业或员工的操作习惯、业务逻辑、工作节奏、判断经验等，将其转化为可被人工智能（AI）学习、复用、独立执行的标准化技能，以供AI智能体安装和调用。由此，AI不仅能够回答问题，还能自主完成特定类型的工作任务。这类技术的长期发展方向，被认为可能推动替代人类的“数字员工”出现。

从更长的历史脉络看，“机器换人”并非新事。过去，企业自动化更多依赖机器人流程自动化（RPA）等技术，将员工执行的固定流程转化为可重复运行的软件脚本。不过，现如今“蒸馏”的对象不是标准工序、规范、知识，而是活人的经验、判断、决策逻辑。换言之，它不仅要让机器学会完成一项任务，还要让机器学会某个人或某群人完成任务的特定方式。一些企业希望借此压缩人力成本、提升组织效率，将员工个人的经验、判断转化为可复制的数字资产。而员工通常难有拒绝选项，担心不仅要贡献自己的数据、经验、技能，甚至可能训练AI“抢自己的饭碗”。

不过，在“同事.skill”诞生后约一周内，一款名为“反蒸馏.skill”的工具横空出世。如果员工被要求提交自己的知识文档，可以通过它先“清洗”一遍，从而隐藏真正有用的工作经验，保留为个人的职业资产。

上线GitHub仅四天，“反蒸馏.skill”就在全球范围内获得超过400万次浏览，远超开发者邓小闲自己的预期。“我一开始还觉得，可能只有互联网行业的人会看，因为‘反蒸馏’这个词本身还有一定的技术门槛。”邓小闲向财新表示，她起初担心很多人根本无法理解这个概念，但最终的爆火让她感到，AI带来的焦虑情绪已超出技术圈。

邓小闲解释，自己的初衷不是反对AI本身，而是反对恶意使用AI。她将“反蒸馏”视为一种必要的防御措施：“如果有人拿着利器对准你，难道不能造一把利器来保护自己吗？”

此外，AI研究员陆程创造了“留一手.skill”，希望帮助人类总结和保留自己真正不可替代的部分。在艺术创作领域，则早有创作者通过Nightshade、Glaze等工具为作品“主动涂毒”，污染利用其训练数据的AI模型。

这些由劳动者自身发起的“抵抗”能有多少效果？除了被动防御，在技术跃迁过程中，制度还能如何主动设计，才能更好保障劳动者、共享发展红利？

被复用

在三年前的2023年初，人们对AI冲击的感知，还主要聚焦在知识劳动及艺术创作领域，认为AI只能粗糙地复刻人类的工作产出、作品。但随着AI智能体的快速发展，人工智能对人类劳动的“侵蚀”已逐渐衍生至人的工作思路、经验，如今甚至到了人的人格本身。

从一家代运营公司离职近一年后，李遥的声音却仍在替前公司“工作”。最早发现异常的是她还留在前公司的同事，对方告诉她，公司复盘会上播放的广告“几乎全都是你的声音”。

李遥之前在公司担任剪辑师，此外还曾在部门组长的要求下为几款洗护用品广告配过音。她起初以为公司只是继续使用了以前录制的素材，但后来发现，一些广告里的文案、产品，都不是她曾经参与过的内容。她这才意识到，自己的声音已经被AI“克隆”了。

过去人离职后，劳动关系随之结束，劳动者与用人方“两清”，但这种情形在如今或许不再成立。具象的声音只是表现之一，抽象的工作习惯、表达方式，甚至某种人格特征，也可能继续留在系统里，被AI反复训练和调用。

有互联网从业者发帖分享称，过去一个员工的重要价值，很大程度上来自那些无法被完全量化的“黑箱能力”，知道如何处理例外情况、如何在复杂场景里做经验性决策。但现在，公司希望员工把这些东西一步步拆解成提示词（prompt）和操作路径。这样即使员工离职，skill仍然留在系统里，员工状态波动，Agent依然能够继续运行。

不少劳动者因此成了AI“数字员工”的“陪练”，在本职工作之外、花费大量时间“带”另一个看不见的“AI新人”。能否把这个“新人”训练得足够好，逐渐成为一种隐性的工作要求。多位受访者提到，在一些管理者看来，“没有不好用的AI，只有不够完善的指令和不到位的训练”。

斯坦福大学留学生徐可佳曾在国内一家大厂实习，负责给动画片写剧本。但她的工作不是亲自创作，而是反复训练AI写得更有“人味”。她表示，很多时候自己直接写反而更快，但在如今的工作流程中，公司真正需要的并非会创作的人，而是要让人把“如何创作”翻译给模型——打造一个能创作的“数字员工”，才是主要目的。

作为实习生，徐可佳当时只能不断配合训练模型，像许多内容写手一样，成为AI生产链条中的一个训练环节。“我离开以后，还会有下一位员工继续训练AI。”她说，“每个人都在把自己的经验教给它一点。等它越来越成熟的时候，也许最先不被需要的，就是那些曾经负责训练它的人。”

部分公司虽然没有在内部平台明确上线标记有某位同事姓名的“数字分身”，但把团队内部共同形成的经验流程化、变为可以直接调用的skill，已经十分普遍。

一名在美国西雅图一家云服务公司工作的软件工程师告诉财新，自己所在团队已广泛采用类似做法。例如，以前工程师写完代码后，会由人工同事负责审查，确认是否满足公司规范、安全上有无漏洞等。现在，这些代码的安全规范、历史惯例等经验被明文写入skill，可供AI调用，完成第一轮标准化审查。

“它不是‘蒸馏’某一个人，而是把大家共同形成的经验进行封装。”这名工程师表示。在技术行业内部，这被视为一种效率提升。

今年3月底上线的“同事.skill”，则让这样的“蒸馏”过程变得更加容易。该项目由上海人工智能实验室24岁的工程师周天奕开发，仅用时4个小时。

5月29日，周天奕等人在预印本平台arXiv发布文章，详解了这项工具的运行逻辑。正如文章标题所描述的那样，“同事.skill”所做的，是通过“蒸馏”专家知识，实现AI技能的“自动化生成”（Automated AI Skill Generation via Expert Knowledge Distillation）。

他们在文中表示，大语言模型（LLM）智能体如今不仅被期待完成单次、孤立的任务，还被寄予更高期望——能够承载和复现特定人的专业知识、判断方式以及互动风格。然而，过往构建这种智能体并不容易，因为相关的可操作知识往往散落在聊天记录、工作文档、邮件、评审意见等不同来源、格式的“痕迹”（trace）之中，而非以清晰明确的操作手册形式存在。

为此，“同事.skill”采用了一种“产品导向”的思路。他们并不希望逼真地再现或模拟真人，而将目标聚焦于从给定的人类“痕迹”中提炼并封装出可移植、可检查、可纠错的技能包“产品”。这套“蒸馏”出的技能包还可区分出单独的“能力轨”（capability track）和“人格轨”（persona track），从而进行更进一步的管理、改进和评估。

尽管文章末尾再次强调，“同事.skill”将基于个人的技能视为可编辑的工件（artifact），而非忠实的模拟、身份替代或同意代理，但这确为“员工数字分身”的实现指明了一条新路径。

趋势科技旗下TrendAI研究院2026年3月发布的研究报告，同样将“员工数字分身”（Employee Digital Twin，EDT）的“工作能力”与“人格特征”区分为不同维度。

具体而言，其将“员工数字分身”分为四个层级：知识层、人格层、思维层和信任层。其中，知识层通过检索增强生成（RAG）、知识图谱等技术整合员工的专业技能、办公文档、会议记录和业务流程；人格层通过大模型微调与行为建模，模拟员工的语言风格和沟通习惯；思维层则试图复现员工处理问题时的判断逻辑和决策路径；信任层进一步映射其组织角色、系统权限以及在团队中的影响力。

其指出，从表面上看，“员工数字分身”与聊天机器人或AI助手存在相似之处，但二者的底层逻辑并不相同。传统聊天机器人主要依赖通用知识库或企业知识库生成答案，“员工数字分身”则建立在特定个人长期积累的数据基础之上，实现了对单个职场人的全方位数字化建模。

这种技术所呈现的图景，令人联想到近年热播的电视剧Severance（中文译名《人生切割术》）。剧中关于“工作人格”独立性的想象正在以另一种形式照进现实，其核心逻辑同样指向一种“人格与劳动的分离”：人的经验、知识、决策方式乃至沟通风格被不断抽取、沉淀和复制，最终形成能够脱离个体而独立运行的数字化能力。当“工作中的你”被拆解成可调用的数据资产时，人与自身劳动成果之间的关系也开始发生变化。