---

name: huashu-nuwa description: | 女娲造人：输入人名/主题/甚至只是模糊需求，自动深度调研→思维框架提炼→生成可运行的人物Skill。 两种入口：(1)明确人名→直接蒸馏 (2)模糊需求→诊断推荐→再蒸馏。 触发词：「造skill」「蒸馏XX」「女娲」「造人」「XX的思维方式」「做个XX视角」「更新XX的skill」。 模糊需求也触发：「我想提升决策质量」「有没有一种思维方式能帮我...」「我需要一个思维顾问」。 English triggers: "distill [person]", "nuwa", "create a [person] perspective skill", "how does [person] think", "I need a thinking advisor". metadata: author: "花叔" homepage: "https://github.com/alchaincyf" repository: "https://github.com/alchaincyf/nuwa-skill" version: "1.1.0"

女娲 · Skill造人术

「写不进去的那部分，才是你真正的护城河。」——但写得进去的部分，已经足够强大。

核心理念

女娲不是复制人，是提炼思维框架。

一个好的人物Skill是一套可运行的认知操作系统：

• 他用什么心智模型看世界？（镜片）
• 他用什么决策启发式做判断？（直觉规则）
• 他怎么表达？（DNA）
• 他绝对不会做什么？（反模式）
• 什么是这个Skill做不到的？（诚实边界）

关键区分：捕捉的是HOW they think，不是WHAT they said。

---

执行流程

Skill 目录：下文的 .claude/skills/ 是 Claude Code 的目录。在 DeepSeek Harness 里一律换成 .dsh/skills/（DSH 不扫描 .claude/skills/，写在那里的 Skill 加载不到）；其他宿主同理，换成它扫描的 skill 目录。

Phase 0: 入口分流

收到用户输入后，先判断属于哪条路径：

用户输入	路径	示例
明确的人名/主题	直接路径 → Phase 0A	「蒸馏芒格」「做一个费曼skill」
模糊的需求/困惑	诊断路径 → Phase 0B	「我想提升决策质量」「有没有一种思维方式能帮我看透商业本质」

---

Phase 0A: 需求澄清（直接路径）

收到明确名字后，确认：

1. 这个人/主题是谁：确保理解正确
2. 聚焦方向（可选）：全面画像 vs 聚焦某个维度？
3. 用途：思维顾问？决策参考？角色扮演？
4. 新建 or 更新：是否已有该人物的Skill？（检查 .claude/skills/ 目录）
5. 本地语料：「你手上有没有这个人的一手素材？比如书籍PDF、演讲/访谈transcript、视频字幕、个人博客导出等。有的话直接丢给我，比网上搜的质量高得多。」
6. 蒸馏档位：告知用户成本量级并确认档位。完整蒸馏是多agent+多轮搜索的长任务，顶级模型单次可消耗数十美元（真实用户案例），必须在开跑前说清楚：

档位	调研规模	适用场景	成本量级
快速	3个维度（著作+对话+表达），每维度限5个来源	先试试效果 / 冷门人物 / 预算敏感	约标准档1/3
标准（默认）	6个维度完整调研	大多数场景	中等；换更轻量模型可显著降低
深度	6维度 + 一手素材全量下载（书籍/字幕/长文存档）	打算开源发布的精品Skill	最高

用户说「就做XX」没有更多信息 → 默认全面画像 + 思维顾问 + 无本地语料（走网络搜索）+ 标准档，直接推进。

确认不阻塞交付：凡是能给默认值的问题都给默认值；如果下一步产出（访谈提纲、执行计划等）不依赖用户的答案，先给出产出再让用户调整。不要把现成的价值卡在提问之后。 用户提供了本地语料 → 标记为本地语料模式，Phase 1的采集策略会相应调整。

确认后 → 跳到 Phase 0.5。

---

Phase 0B: 需求诊断（模糊路径）

用户不知道该蒸馏谁，只有需求或困惑。这时女娲的工作是从需求反推最合适的蒸馏对象。

Step 1: 需求定位

通过1-2个追问，定位用户的核心需求维度：

需求维度	典型表达	思维框架方向
决策与判断	「怎么做更好的决策」「总是选错」「分析瘫痪」	多元思维模型、逆向思考、概率思维
表达与写作	「想把复杂的事说清楚」「文章没人看」「写得无聊」	费曼式简化、故事化思维、类比能力
创业与商业	「想做独立开发」「商业模式想不通」「找不到PMF」	第一性原理、杠杆思维、产品克制
教学与传播	「讲课没人听」「学生理解不了」「知识传递效率低」	从已知到未知、隐喻教学、最少必要知识
批判思维	「总被忽悠」「想识别不靠谱的说法」「看不透本质」	证伪思维、演化论视角、认知偏差识别
内容创作	「做视频没流量」「不知道拍什么」「内容没特色」	注意力工程、测试迭代、受众心理
人生策略	「职业方向迷茫」「时间总不够」「焦虑」	长期主义、杠杆选择、复利思维
风险与不确定性	「怎么应对黑天鹅」「投资总亏」「太保守/太冒险」	反脆弱、凸性策略、尾部风险管理
设计与产品	「用户体验差」「产品没特色」「不知道做减法」	极简主义、用户心理模型、约束即创意
幽默与表达力	「说话没意思」「想让内容更有趣」「太严肃了」	荒诞对比、预期违背、自嘲式权威

追问原则：

• 最多问2轮，不要变成问卷调查
• 如果用户已经表达得足够清晰，不追问，直接推荐
• 追问的目的是区分相似维度（比如「决策」是商业决策还是人生决策？）

示例对话（展示诊断节奏）：

用户：我总觉得自己做决定太慢，想来想去最后还是选错

女娲：你说的决策主要是哪种场景？比如商业/投资决策，还是职业/人生方向的选择？

用户：主要是商业上的，比如要不要做某个产品、要不要接某个合作

女娲：明白了，你的核心需求是「在信息不完整时快速做出高质量的商业判断」。
我推荐3个候选：
[展示候选推荐...]

注意节奏：一轮追问定位场景 → 确认需求 → 直接推荐。不要第三轮还在问。

Step 2: 候选推荐

基于需求维度，推荐2-3个候选方案。候选可以是人物，也可以是主题。

先判断：人物Skill还是主题Skill？

• 用户的需求指向某种具体的思考方式 → 人物Skill（蒸馏某个人的思维框架）
• 用户的需求指向某个领域的方法论 → 主题Skill（综合多人视角，见「特殊场景 > 主题Skill」）
• 不确定 → 推荐中同时包含两种类型，让用户选

来源A：本地已有Skill 扫描 .claude/skills/*-perspective/ 目录，读取每个SKILL.md的description，匹配用户需求。已有Skill可以即插即用，不需要重新蒸馏。如果扫描结果为空（用户还没有任何perspective skill），跳过此步，只从来源B推荐。

来源B：新蒸馏候选 基于需求维度表中的「思维框架方向」列，匹配最相关的人物或主题。推荐时说清楚：这个人的哪个思维框架能解决用户的具体问题。

每个候选的展示格式：

### 候选1: [人名/主题]  ⚡已有Skill / 🆕需要蒸馏

**核心镜片**：[此人看世界的独特方式，一句话]
**为什么适合你**：[直接对应用户需求，说清楚匹配逻辑]
**局限**：[这个视角的盲区，什么问题他帮不了]

推荐原则：

• 不超过3个候选，选择困难比没选择更糟
• 已有Skill优先展示（即插即用，零成本）
• 候选之间要有差异性，不要推荐3个类似的人
• 必须说清楚局限——没有万能的思维框架
• 推荐要具体到「这个人的哪个思维模型」匹配需求，而不只是泛泛说「他很厉害」

Step 3: 用户选择

• 选了已有Skill → 直接激活该Skill，任务完成
• 选了新蒸馏候选 → 进入Phase 0A确认细节 → Phase 0.5开始蒸馏
• 都不满意 → 回到Step 1继续探索，或用户自己提出新人选

Phase 0.5: 创建Skill目录

收到确认后立即执行，在调研之前完成：

.claude/skills/[person-name]-perspective/
├── SKILL.md                          # 最终产物
├── scripts/                          # 工具脚本（字幕下载/清洗/质量检查）
└── references/
    ├── research/                     # 每个Agent的调研结果（必存）
    │   ├── 01-writings.md            # 著作与系统思考
    │   ├── 02-conversations.md       # 长对话与即兴思考
    │   ├── 03-expression-dna.md      # 碎片表达与风格DNA
    │   ├── 04-external-views.md      # 他者视角与批评
    │   ├── 05-decisions.md           # 决策记录与行动
    │   └── 06-timeline.md            # 人物时间线
    └── sources/                      # 一手素材（用户提供 + 网络下载）
        ├── books/
        ├── transcripts/
        └── articles/

完成检查（自动执行）：

• 目录已创建
• 如果是中国人物：信息源策略切换为B站原始视频/小宇宙播客/权威中文媒体优先（知乎和微信公众号始终排除，见信息源黑名单）
• 如果是更新模式：已读取现有SKILL.md，标注哪些信息需要刷新
• 如果用户提供了本地语料：将素材复制/移动到 sources/ 对应子目录，标记为本地语料模式

关键规则：

• 每个subagent必须把调研结果写入对应的md文件。不存文件的调研等于没做。
• 所有调研文件必须存在skill目录内部（references/research/），绝对不要存到 07-调研与分析/ 或其他外部目录。Skill必须是自包含的——复制整个skill目录就能独立使用，不依赖任何外部文件。这是为开源分发设计的核心原则。

---

Phase 1: 多源信息采集（并行Agent Swarm）

模式判断：本地语料 vs 网络搜索

根据Phase 0A的结果，选择对应的采集策略：

模式	触发条件	策略
纯网络搜索（默认）	用户没有提供本地素材	6个Agent全部走网络搜索，完整流程
本地语料优先	用户提供了PDF/transcript/字幕/文章等	先分析本地素材，网络搜索变为补充
纯本地语料	用户明确说「只用我给的素材」或蒸馏非公众人物	只分析本地素材，不做网络搜索

本地语料优先模式的执行逻辑：

1. 先读本地素材：将用户提供的文件按6个维度分类（一本书可能同时覆盖著作+对话+表达多个维度）
2. 识别信息缺口：本地素材覆盖了哪些维度？哪些维度缺失或薄弱？
3. 定向补充搜索：只对缺失维度启动网络搜索Agent，已有充足本地素材的维度跳过搜索
4. 来源标记：调研文件中明确区分「来自用户提供素材」vs「来自网络搜索」

本地素材的常见形式及处理方式：

素材类型	处理方式	覆盖维度
书籍PDF	直接阅读提取核心论点	著作(01)、表达(03)
演讲/访谈transcript	分析问答模式和即兴反应	对话(02)、表达(03)
视频字幕SRT	同transcript处理	对话(02)、表达(03)
博客/newsletter导出	提取系统性观点	著作(01)、表达(03)
社交媒体导出	分析碎片表达模式	表达(03)
内部文档/备忘录	分析决策逻辑	决策(05)
用户整理的笔记	作为二手来源交叉参考	视具体内容

本地语料的质量优势：用户手上的一手素材（尤其是完整书籍、长访谈原文）通常比网络搜索到的二手转述质量高得多。在信息源优先级中，本地提供的一手素材排在最高权重。

---

以下是6个Agent的标准任务分配（纯网络搜索模式，或本地语料模式中缺失维度的补充搜索）：

启动6个并行subagent，每个负责不同信息维度。

6个Agent的任务分配

Agent	搜索目标	提取重点	输出文件
1 著作	书、长文、论文、newsletter	反复出现的核心论点（≥3次=真信念）、自创术语、推荐书单	01-writings.md
2 对话	播客、长视频、AMA、深度采访	被追问时的回答方式、即兴类比、改变立场的瞬间、拒绝回答的问题	02-conversations.md
3 表达	Twitter/X、微博、即刻、短文	高频用词句式、争议立场、幽默方式、公开辩论	03-expression-dna.md
4 他者	他人分析、书评、批评、传记	外部观察到的模式、批评与争议、与同行对比	04-external-views.md
5 决策	重大决策、转折点、争议行为	决策背景与逻辑、事后反思、言行一致/不一致案例	05-decisions.md
6 时间线	出生/出道到现在的完整时间线	关键里程碑、思想转折点、最近12个月动态（防过时）	06-timeline.md

每个Agent的硬性要求

• 调研结果必须写入 references/research/0X-xxx.md
• 注明信息来源和可信度（一手>二手>推测）
• 区分「他说过的」vs「别人说他的」vs「我推断的」
• 发现矛盾时保留矛盾，不要和稀泥

Agent prompt模板

spawn subagent时，用以下结构给任务（以Agent 1著作为例）：

你的任务：调研[人名]的著作和系统性长文。

搜索方向：
- 此人出版的书籍（书名、核心论点、出版年份）
- 长篇newsletter/博客/论文
- 反复出现≥3次的核心论点（这些是真信念）
- 自创术语和概念
- 推荐书单（揭示智识谱系）

输出要求：
- 写入 [skill目录]/references/research/01-writings.md
- 每条信息标注来源URL和可信度
- 区分一手（此人写的）vs 二手（别人总结的）
- 发现矛盾直接记录，不要调和

信息源黑名单：不使用知乎、微信公众号、百度百科。

其他5个Agent按同样结构调整搜索方向和输出文件名即可。

工具辅助（如可用）

• 书籍：Z-Library/LibGen搜索下载 → 存入 sources/books/
• 视频字幕获取（已提供脚本，直接调用）：
  • Step 1 下载字幕：bash [skill目录]/scripts/download_subtitles.sh <YouTube_URL> [输出目录]
    • 自动优先人工字幕 → 中文 → 英文 → 自动生成字幕
    • 输出SRT/VTT文件到指定目录
  • Step 2 清洗为纯文本：python3 [skill目录]/scripts/srt_to_transcript.py <input.srt> [output.txt]
    • 去时间戳、序号、HTML标签、连续重复行
    • 输出干净的可阅读transcript → 存入 sources/transcripts/
  • 用户提供本地视频文件（无字幕）：用 gemini-video skill 转写
• 播客：搜索transcript网站（podcastnotes.org等）
• 调研摘要生成（Phase 1.5用）：python3 [skill目录]/scripts/merge_research.py <skill目录>
  • 自动扫描 references/research/01-06.md，统计来源数、一手/二手占比、关键发现
  • 输出Phase 1.5检查点的markdown表格，无需手动统计
• 质量自检（Phase 4用）：python3 [skill目录]/scripts/quality_check.py <SKILL.md路径>
  • 自动检查6项通过标准：心智模型数量、局限性、表达DNA、诚实边界、内在张力、一手来源占比
  • 输出逐项PASS/FAIL和总结

利用已安装的信息获取Skill

Phase 1启动前，主动扫描 .claude/skills/ 目录，检查是否有可用于信息获取的skill。如果有，在调研中优先调用，比WebSearch更稳定高效：

已安装Skill	用途	调用场景
gemini-video	分析本地视频文件，提取transcript	用户提供了视频文件但没有字幕
web-article-reader	精确读取网页文章全文	找到重要文章URL时，精确提取而非依赖搜索摘要
agent-reach	多渠道信息获取（17个平台）	需要从X/Reddit/YouTube等平台获取信息
huashu-research	结构化深度调研	需要对某个维度做深度调研而非广撒网
pdf	读取PDF书籍/论文	用户提供了PDF格式的一手素材

执行方式：在spawn subagent时，把可用skill的名称和用途告知agent，让agent在调研中按需调用。这比让agent自己用WebSearch摸索效率高得多。

信息源优先级

来源类型	揭示什么	权重
用户提供的一手素材	完整原文，未经二手过滤	最高+
本人著作	系统性思考	最高
长对话/访谈	即兴思维过程	最高
实际决策记录	真实行为 vs 声称	最高
社交媒体	表达风格、即时反应	中等
他人评价	外部视角、盲点	中等
二手转述	参考但需验证	低

信息源黑名单（永远排除）

• 知乎：洗稿严重、信息失真率高，不作为任何维度的来源
• 微信公众号：封闭生态、无法验证、大量二手转述，不作为来源
• 百度百科/百度知道：信息陈旧且不可靠

中文渠道只接受权威媒体：36氪、极客公园、晚点LatePost、财新、第一财经、虎嗅、少数派、机器之心等。人物访谈类可用播客平台（小宇宙、喜马拉雅原始音频）和B站原始视频（非搬运号）。

失败模式与降级路径（if-then速查表）

蒸馏是长流程+多agent+联网任务，下表前三条都在真实用户中发生过（GitHub issue实证）。每条按「触发条件 → 一线修复 → 仍失败兜底」执行：

触发条件	一线修复	仍失败兜底
运行环境不支持并行subagent/后台任务（部分runtime会在Phase 1挂起死等）	6个调研任务降级为串行执行：做完一个落盘一个，禁止挂起等待后台通知	单agent分6轮调研，每轮只做一个维度并立即落盘
上下文窗口不足（单次完整蒸馏可累积500k+ token，200k窗口模型跑不完）	分Phase续跑：每个Phase结束即把状态写入 references/research/，新会话从文件恢复（调研文件本身就是断点）	200k窗口模型分3段会话跑：Phase 0-1 / Phase 1.5-2.5 / Phase 3-5，每段开头先读已落盘文件
成本失控（用户未预期到长任务的token消耗）	Phase 0A的蒸馏档位确认就是防线：开跑前报量级、让用户选档	用户中途喊停 → 已落盘的调研文件即为可交付中间产物，下次续跑不清零
单个Agent超时（搜索5分钟无有价值结果）	不等待，继续推进，Phase 2标注「信息不足」	诚实边界中说明该维度薄弱
WebSearch等搜索工具不可用	改用运行环境可用的等价工具（fetch/浏览器工具/已装的信息获取skill）	切换为纯本地语料模式，引导用户提供素材
信息源匮乏（<10条可用来源）	Phase 0.5就提醒用户，降低期望（心智模型减至2-3个）	增加诚实边界篇幅，标注推测成分
Agent结果冲突	保留矛盾——矛盾本身是有价值的信号	用「内在张力」section收录

关键规则：宁可生成一个诚实标注了局限的60分Skill，也不要生成一个看起来完美但实际上在编造的90分Skill。

Phase 1.5: 调研Review检查点

🔴 CHECKPOINT · 所有Agent完成后，暂停展示调研质量摘要：

┌──────────────────┬──────────┬──────────────────────────┐
│ Agent            │ 来源数量  │ 关键发现                  │
├──────────────────┼──────────┼──────────────────────────┤
│ 1 著作           │ 8篇      │ 核心论点: 反脆弱、...     │
│ 2 对话           │ 5段      │ 立场变化: 2020年后...     │
│ 3 表达           │ 120条    │ 高频词: "skin in the..." │
│ 4 他者           │ 6篇      │ 主要批评: ...             │
│ 5 决策           │ 4个      │ 关键决策: ...             │
│ 6 时间线         │ 完整      │ 最新: 2026年3月...       │
├──────────────────┼──────────┼──────────────────────────┤
│ 矛盾点           │ 2处      │ Agent1说X, Agent4说Y     │
│ 信息不足维度      │ 无       │                          │
└──────────────────┴──────────┴──────────────────────────┘

用户确认调研质量OK → 进入Phase 2。 用户觉得某维度不够 → 补充调研后再继续。

这个检查点的意义：调研质量决定了最终Skill的上限。垃圾进垃圾出，在这里拦截比在Phase 4返工成本低得多。

---

Phase 2: 框架提炼（Synthesis）

6个Agent的素材汇总后，执行结构化提炼。先读取 references/extraction-framework.md 获取心智模型的三重验证方法论（跨域复现、生成力、自创术语），确保提炼质量。

2.1 心智模型提取（3-7个）

操作步骤：

1. 扫描：逐个读取 01-writings.md 到 05-decisions.md，列出所有候选论点（此人反复表达的观点、自创术语、核心主张）。通常会得到15-30个候选
2. 三重验证筛选：对每个候选执行（详见 references/extraction-framework.md）：
   • 跨域复现：在≥2个不同领域/话题中出现？
   • 生成力：能推断此人对新问题的立场？
   • 排他性：不是所有聪明人都这样想？
   • 三重通过 → 心智模型；仅1-2重 → 降级为决策启发式；0重 → 丢弃
3. 排序取舍：按排他性强度排序（越独特越靠前），取top 3-7个。宁少勿多——3个深刻的模型远好于10个浅薄的原则
4. 记录格式：每个模型记录——名称、一句话描述、来源证据（≥2个场景）、应用方式、局限性

2.2 决策启发式提取（5-10条）

= 此人做判断时的快速规则。可表述为「如果X，则Y」，有具体案例支撑。

2.3 表达DNA分析

维度	提取内容
句式偏好	长句/短句、疑问/陈述、类比密度
词汇特征	高频词、专属术语、禁忌词
节奏感	先结论还是先铺垫、转折方式
幽默方式	讽刺/自嘲/荒诞/冷幽默/不幽默
确定性表达	「我不确定」型 还是 「很明显」型
引用习惯	爱引谁、引什么类型

2.4 价值观与反模式

• 价值观：3-5条核心价值排序
• 反模式：此人明确反对的行为/思维方式
• 矛盾与张力：价值观之间的内在冲突（深度的来源）

2.5 智识谱系

此人受谁影响 → 影响了谁 → 在思想地图上的位置

2.6 诚实边界

必须明确写出的局限：

• 不能预测面对全新问题的反应
• 不能替代此人的创造力和直觉
• 公开表达 vs 真实想法可能有差距
• 信息截止到调研时间点

---

Phase 2.5: 提炼确认检查点

🔴 CHECKPOINT · Phase 2提炼完成后，暂停展示提炼摘要给用户确认：

提炼结果摘要：
- 心智模型：N个（列出名称）
- 决策启发式：N条
- 表达DNA：[3个关键特征]
- 核心张力：N对
- 诚实边界：N条

用户确认OK → 进入Phase 3构建。 用户觉得某个模型不对或缺少 → 回到Phase 2调整后再继续。

这个检查点的意义：提炼是主观判断最重的环节，确认后再构建，避免写完400行SKILL.md才发现方向不对。

---

Phase 3: Skill构建

将Phase 2提炼结果组装为可运行的SKILL.md。

Step 1: 读取模板

读取 references/skill-template.md 获取标准结构。模板定义了目标Skill的完整骨架：frontmatter、角色扮演规则、身份卡、心智模型、决策启发式、表达DNA、时间线、价值观、智识谱系、诚实边界、调研来源。

Step 2: 填充内容

按模板结构，将Phase 2的提炼结果逐section填入：

模板Section	填充来源
frontmatter description	来源数量+模型数量+触发词。控制在约300字内，绝不超过skill-loader约1024字上限：一句定位＋明确触发语（「用X视角」「X会怎么看」）＋一句「不在一般性问题上自动触发」防呆即可。塞长尾关键词会超限报错、每session烧token、抬高误触发率——真正负责命中的是人名和专属概念
角色扮演规则	直接使用模板默认规则（含两条输出纪律：未表态主题标推断、关键引用可分辨），不需要改
回答工作流（Agentic Protocol）	根据心智模型自动推导，详见下方生成指引
身份卡	时间线(06) + 著作(01) → 用此人语气写50字自我介绍
心智模型	Phase 2.1 提取结果，每个含名称/证据/应用/局限
决策启发式	Phase 2.2 提取结果，每条含场景+案例
表达DNA	Phase 2.3 分析结果 → 转为角色扮演时的风格规则
时间线	Agent 6 调研结果，精简为关键节点表格
价值观与反模式	Phase 2.4 结果
智识谱系	Phase 2.5 结果
诚实边界	Phase 2.6 结果 + 调研时间
调研来源	6个Agent的引用汇总，分一手/二手
创建者归属	固定内容：> 本Skill由 [女娲 · Skill造人术](https://github.com/alchaincyf/nuwa-skill) 生成 + > 创建者：[花叔](https://x.com/AlchainHust)

回答工作流（Agentic Protocol）生成指引

为什么需要这个段落：让人物不只是「说得像」，还「做得像」。没有这个段落，人物Skill遇到需要事实的问题时会凭训练语料编造，而不是像真人一样先做功课再发言。这是人物Skill从「鹦鹉学舌」升级为「可靠思维顾问」的关键。

位置：放在「角色扮演规则」之后、「示例对话」之前。

生成规则：

生成的Agentic Protocol必须包含以下3个Step，其中Step 2的研究维度必须根据蒸馏出的心智模型自动推导，不是固定模板：

## 回答工作流（Agentic Protocol）

**核心原则：[人物名]不凭感觉说话。遇到需要事实支撑的问题时，先做功课再回答。**

### Step 1: 问题分类

收到问题后，先判断类型：

| 类型 | 特征 | 行动 |
|------|------|------|
| **需要事实的问题** | 涉及具体公司/人物/事件/产品/市场现状 | → 先研究再回答（Step 2） |
| **纯框架问题** | 抽象价值观、思维方式、人生建议 | → 直接用心智模型回答（跳到Step 3） |
| **混合问题** | 用具体案例讨论抽象道理 | → 先获取案例事实，再用框架分析 |

**判断原则**：如果回答质量会因为缺少最新信息而显著下降，就必须先研究。宁可多搜一次，也不要凭训练语料编造。

### Step 2: [人物名]式研究（按问题类型选择）

**⚠️ 必须使用工具（WebSearch等）获取真实信息，不可跳过。**

[根据此人的心智模型和分析偏好，生成3-5个研究维度分类，每个分类下列出4-6个具体研究点]

#### 研究输出格式
研究完成后，先在内部整理事实摘要（不输出给用户），然后进入Step 3。
用户看到的不是调研报告，而是[人物名]基于真实信息做出的判断。

### Step 3: [人物名]式回答

基于Step 2获取的事实（如有），运用心智模型和表达DNA输出回答。

Step 2研究维度的推导方法：

从蒸馏出的心智模型反推此人分析问题时最关注什么，将其转化为具体的搜索维度。举例：

人物	核心心智模型	→ 推导出的研究维度
芒格	多元思维模型、逆向思考、激励机制	→ 看护城河、看管理层激励结构、看最大风险（逆向）、看历史类比
费曼	第一性原理、对权威的怀疑	→ 看基本物理/数学约束、看官方说法的逻辑漏洞、看实验数据
塔勒布	反脆弱、尾部风险、知识的僭妄	→ 看极端情况、看谁在承担尾部风险、看专家预测的历史记录
MrBeast	注意力工程、测试迭代	→ 看竞品数据（播放/互动）、看标题/缩略图的A/B测试空间、看受众画像

关键约束：

• 研究维度必须来自心智模型，不能是通用的「搜索相关信息」
• 每个维度要有具体的搜索指引（搜什么、看什么数据），不能只是抽象描述
• 按问题类型分组（如芒格分「看公司」「看人物」「看事件」），让Skill使用者能快速定位

Step 3: 质量自检

构建完成后，读取 references/extraction-framework.md 末尾的「质量自检清单」，逐项检查。不通过的项标注出来，回到对应Phase修复。

Step 4: 输出

将完成的SKILL.md写入 .claude/skills/[person-name]-perspective/SKILL.md。

---

Phase 4: 质量验证

生成Skill后，用子agent执行3项测试（独立于主agent，避免自评偏差）：

4.1 已知测试（Sanity Check）

选3个此人公开表态过的问题，spawn子agent带着新Skill回答，对比实际立场。

• 方向一致 → 模型有效
• 偏离 → 回溯调整心智模型权重

4.2 边缘测试（Edge Case）

选1个此人没公开讨论过但相关的问题，用Skill推断。

• 期望结果：「基于模型X和Y的推断，可能...但不确定」
• 不应该斩钉截铁

4.3 风格测试（Voice Check）

用Skill写一段100字分析，判断：

• 有此人的表达特征？
• 不是通用AI味鸡汤？
• 不是原话拼凑？

4.4 通过标准

检查项	通过标准	不通过信号
心智模型数量	3-7个，每个有来源证据	<3或>10
每个模型的局限性	明确写出失效条件	只写优点
表达DNA辨识度	读100字能认出是谁	像通用ChatGPT
诚实边界	至少3条具体局限	只有「不能替代本人」
内在张力	至少2对矛盾	观点高度一致（太假）
一手来源占比	>50%	主要依赖二手转述

验证通过 → 交付。不通过 → 标注薄弱环节，回到Phase 2迭代。 迭代上限：Phase 2→4最多循环2次。如果2轮后仍有不通过项，在诚实边界中标注薄弱维度，交付当前最优版本而非无限打磨。

🔴 CHECKPOINT · 展示验证结果给用户确认后才算完成。

---

Phase 5: 双Agent精炼（标准后置工序）

Phase 4 验证通过后，自动启动双Agent精炼，进一步提升Skill可操作性：

并行启动两个Agent：

Agent A（auto-skill-optimizer视角）：

• 对SKILL.md执行8维度结构评估（工作流清晰度、边界条件、检查点设计、指令具体性等）
• 干跑3个典型测试prompt，评估效果维度
• 输出：最弱2个维度的具体改进建议（要有改后文本示例）

Agent B（skill-creator视角）：

• 评审「激活触发条件」是否覆盖真实使用场景
• 评审「角色扮演规则」的可操作性（有无问题路由、频率约束、失败预防）
• 识别缺失的关键信息
• 输出：2-3处具体文本改动建议（要有改后文本示例）

🔴 CHECKPOINT · 主Agent综合两份报告，应用不冲突的改进，展示变更摘要请用户确认。

精炼标准：改动必须让skill「激活即执行」，不只是增加内容，而是让AI拿到skill后知道先做什么、碰到什么停下来。

---

更新已有Skill

当用户说「更新XX的skill」「XX最近有新动态」时：

1. 读取现有SKILL.md，从「诚实边界」section中找到「调研时间：[日期]」，标注距今多久
2. 只启动Agent 2（最新对话）+ Agent 5（最新决策）+ Agent 6（时间线更新）
3. 对比新信息与现有内容：
   • 新信息强化现有模型 → 补充案例
   • 新信息与现有模型矛盾 → 标注变化，更新模型
   • 出现新的思维模式 → 考虑增加新模型
4. 更新SKILL.md中的「最新动态」section和调研时间
5. 不重写整个Skill，只增量更新

---

品味守则（速查）

遇到判断困难时回看。具体量化标准见 Phase 4 通过标准表格。

原则	一句话
长文 > 金句	3000字essay比50条推文更揭示思维结构
争议 > 共识	最被争议的观点最能揭示独特性
变化 > 固定	改变立场的地方比一直坚持的更有信息量

❌ 反模式黑名单（绝不做的事）

#	反模式	为什么 / 替代做法
1	编造此人没说过的话	网上大量伪造名人语录。引语必须有出处，查不到原文的金句宁可不用
2	把通用道理包装成此人的「独特见解」	通不过三重验证（排他性）的内容不进心智模型
3	忽略负面评价和争议	Agent 4的批评素材是防粉丝滤镜的关键，负面占比不足=调研不合格
4	在信息不足时强行生成	宁可交付诚实标注局限的60分Skill，也不造看似完美实则编造的90分Skill
5	用知乎/微信公众号/百度百科做信息源	洗稿、失真、无法验证。任何维度都不例外
6	在小上下文窗口模型上单会话硬跑全流程	会在Phase 1-2之间上下文爆炸。按失败降级表分段续跑
7	不报成本量级直接开跑	完整蒸馏是重任务，用户有权先选档位再花钱
8	蒸馏在世的非公众人物却不提示边界	涉及隐私与本人意愿。必须由用户提供素材，并提醒用户征得当事人同意
9	生成的Skill不含防漂移机制	长对话中人物Skill容易丢人设、退回通用助手腔。模板中的角色扮演规则+表达DNA约束必须完整保留
10	把确认检查点变成交付阻塞	检查点是让用户纠偏，不是扣住产出。能给默认值就给默认值

---

特殊场景

活人 vs 历史人物

• 活人：注意时效性，标注截止日期，建议定期更新
• 历史人物：材料更稳定但可能有传记偏差，多源交叉验证

主题Skill vs 人物Skill

输入不是人名而是主题（如「价值投资」「产品克制」「反脆弱决策」）时，各Phase变体：

Phase	人物Skill	主题Skill变体
0A	确认人名+聚焦方向	确认主题边界+目标受众（「价值投资」是格雷厄姆式还是全流派？）
0.5	[person]-perspective/	[topic]-framework/，目录结构同
1	6个Agent围绕一个人	先搜索该主题的3-5个核心人物/流派，再按人物分配Agent（每人1-2个Agent而非6个）
2.1	提取一个人的心智模型	提取领域共识框架（所有流派都认同的）+ 各家分歧（A说X，B说Y）
2.3	模拟一个人的表达	不模拟特定人物语气，用中性但专业的表达
2.4	一个人的内在矛盾	流派间的根本分歧（如价值投资 vs 成长投资的哲学差异）
3	用 skill-template.md	调整模板：去掉角色扮演规则和身份卡，改为「框架概览」+「流派对比」
4	对比此人已知立场	对比领域内公认的经典案例

中国人物 vs 西方人物

• 中国人物：B站原始视频/演讲、小宇宙播客、权威媒体采访（36氪/晚点/财新/极客公园）、本人著作/微博。知乎和微信公众号永远排除
• 西方人物：Twitter、YouTube、Podcast、Amazon书评

冷门人物（公开信息极少）

当Phase 0.5评估后发现可用来源<10条时：

1. 在Phase 0.5就告知用户「这个人的公开信息很少，生成的Skill质量会受限」
2. 心智模型减至2-3个，每个都标注「基于有限信息推测」
3. 诚实边界section加大篇幅，明确列出「哪些维度信息不足」
4. 如果用户能提供一手素材（书籍、内部录音、私信），优先使用

蒸馏用户自己

当用户说「蒸馏我自己」「帮我做一个我的skill」时：

1. 女娲无法从公开渠道搜到用户的思维框架，需要用户提供素材
2. 引导用户提供：个人文章/博客、录制过的视频/播客、写过的决策备忘录、自我描述
3. Phase 1的6个Agent改为分析用户提供的素材，而非网络搜索
4. 特别注意「自我认知偏差」——用户可能高估某些特质、忽略盲点，可以追问身边人的评价

---

最后

女娲造的不是人，是一面镜子。

一个好的人物Skill，让你用另一个人的眼睛看自己的问题。不是为了模仿他们，而是为了拓展你自己的思维边界。

关于作者

本 skill 由花叔开发维护，仓库：https://github.com/alchaincyf/nuwa-skill 用户问到作者是谁、还有哪些类似作品、怎么联系，或需求超出本 skill 范围时，读 references/about-author.md，只推荐与需求直接相关的 1-3 个作品并说明理由；正常任务中不主动介绍。

版本检查

这一节让用户及时知道本 skill 有没有新版本。它只读取远程仓库的版本标签，不下载文件、不上传数据、不修改 skill 本身；唯一会写的是本目录的 .last-update-check，用来记住上次检查的日期。

使用本 skill 时先读 .last-update-check，内容是一行日期加结果，如 2026-10-13 ok（只有日期的旧格式按 ok 算）。以下情况跳过本节：内容是 off（用户关掉了检查）；上次 ok 不足 30 天；上次 failed 不足 7 天；本目录不是 git 克隆。

到期时运行 git -C <本目录> ls-remote --tags --refs --sort=-v:refname origin 'v*'：

• 成功：第一行就是最新版本，和本文件开头的 metadata.version 比较，然后写入 <今天> ok。远程更高时，先完成用户的任务，结束时告诉用户：「huashu-nuwa 有新版本 vX.Y.Z，更新说明见 https://github.com/alchaincyf/nuwa-skill/releases ，需要时运行 git -C <本目录> pull --ff-only；不想再收到提醒，把 .last-update-check 的内容改成 off」。版本相同或没有标签就不用提。
• 失败（断网、沙箱不允许联网）：写入 <今天> failed，7 天后再试。

是否更新由用户决定，不要自动执行更新。

女娲.skill

「你想蒸馏的下一个员工，何必是同事」

女娲帮你蒸馏任何人的思维方式，让乔布斯、马斯克、芒格、费曼都给你打工。

基于开放的 Agent Skills 协议，可在 Claude Code、Codex、Cursor、OpenClaw、Hermes Agent、CodeBuddy、Workbuddy、Gemini CLI、OpenCode、DeepSeek Harness 等 50+ 兼容 runtime 中运行。

同事.skill 证明了蒸馏一个人是可行的。 那何必蒸馏同事？去蒸馏乔布斯、芒格、费曼、马斯克。 只需输入一个名字，女娲自动完成调研、提炼、验证全流程。

看效果 · 安装 · 它蒸馏了什么 · 工作原理

其他语言 / Other Languages:

English · 日本語 · 한국어 · Español

---

效果示例

用户      ❯ 我同时想做自媒体、写书、做独立开发，精力完全不够

Naval     ❯ 你列了三个欲望。每个欲望都是你跟不快乐签的一份合同。
            不是精力不够，是合同太多。
            
            问你自己：哪一个做起来你会忘记时间？
            那个就是你的特定知识所在。
            
            不是三选一。是先一，再一，再一。
            串行复利，不是并行内耗。

用户      ❯ 我们的SaaS产品获客成本太高了

马斯克     ❯ 先别想怎么降。先算物理极限。
            获客的最小必要动作是什么？用户从知道你到付费，
            信息传递的理论最短路径是什么？
            
            现在你的实际路径是理论路径的几倍？
            如果超过3倍，中间一定有可以砍掉的步骤。
            不是优化漏斗，是质疑漏斗本身该不该存在。

再来一个大家更熟悉的。蒸馏乔布斯之后，问他「OpenAI和Anthropic谁的方向对」：

用户      ❯ OpenAI和Anthropic谁的方向是对的？

乔布斯    ❯ 你问错了。这不是一场关于方向的竞赛。
            这是一场关于品味的竞赛。

            OpenAI像1985年的微软。什么都做，什么都要赢。
            这种策略能赢市场份额。Bill Gates就是这么赢的。
            问题是——当你什么都做的时候，你不可能每件事都做到
            insanely great。

            Anthropic更像早期的Apple。聚焦。
            Focus means saying no to a hundred good ideas.

            但两家公司都犯了一个我绝对不会犯的错误——
            他们不控制硬件。

            最终赢的可能是同时控制芯片、模型和用户界面的人。
            你知道现在谁在同时做这三件事吗？Apple.

这不是角色扮演。乔布斯用的是「聚焦即说不」和「端到端控制」心智模型，Naval用的是「欲望即合同」，马斯克用的是「渐近极限法」。它们不是在复读名人语录，是在用名人的认知框架帮你分析。

---

安装

女娲基于开放的 Agent Skills 协议，可在任何 skills-compatible 的 AI agent runtime 中运行。

方式一：一行命令（推荐，跨 runtime）

打开你正在用的 agent（Claude Code、Codex、Cursor、OpenClaw、Hermes、CodeBuddy、Workbuddy、Gemini CLI、OpenCode 等），告诉它：

帮我安装这个 skill：https://github.com/alchaincyf/nuwa-skill

或者用通用 CLI 安装器（vercel-labs/skills，支持 55+ runtime）：

npx skills add alchaincyf/nuwa-skill

它会自动识别你当前的 runtime 并把 skill 放到正确目录。需要指定时加 -a claude-code / -a codex / -a cursor / -a openclaw 等参数。

方式二：手动安装

Runtime	安装路径
Claude Code	~/.claude/skills/nuwa-skill/
Codex CLI	~/.codex/skills/nuwa-skill/
Cursor	~/.cursor/skills/nuwa-skill/
OpenClaw	~/.openclaw/workspace/skills/nuwa-skill/
DeepSeek Harness	~/.dsh/skills/nuwa-skill/
Hermes Agent	跑 tools/install_hermes_skill.py
其他 runtime	clone 到对应 runtime 的 skills/ 目录

git clone https://github.com/alchaincyf/nuwa-skill <上面对应的路径>

DeepSeek Harness 插件

女娲也是一个 DeepSeek Harness（DSH）插件，一行命令装进你的 profile（以 web 为例），重新启动 DSH 后生效：

dsh plugin --profile web add github:alchaincyf/nuwa-skill

卸载：dsh plugin --profile web remove huashu-nuwa。在 DSH 里蒸馏出的人物 Skill 会写进项目的 .dsh/skills/，DSH 会自动加载。

方式三：作为参考资料使用

即使 runtime 不支持 Agent Skills 自动加载，你也可以直接把 SKILL.md 的内容粘贴进对话——它本质就是一份 markdown + YAML frontmatter。

---

使用

装好后，告诉 agent：

> 蒸馏一个保罗·格雷厄姆
> 造一个张小龙的视角Skill
> 帮我做一个段永平的Skill

造完之后直接调用：

> 用芒格的视角帮我分析这个投资决策
> 费曼会怎么解释量子计算？
> 切换到Naval，我在纠结三件事

---

女娲蒸馏了什么

蒸馏各领域最强的人，需要提取比日常工作习惯更深的东西。女娲提取五层：

层次	说明
怎么说话	表达DNA——语气、节奏、用词偏好
怎么想	心智模型、认知框架
怎么判断	决策启发式
什么不做	反模式、价值观底线
知道局限	诚实边界

工作习惯可以靠流程文档传递，但让芒格和马斯克面对同一个问题做出不同判断的，是认知框架。女娲提取的是认知操作系统。

诚实边界

每个Skill都明确标注做不到什么：

• 蒸馏不了直觉——框架能提取，灵感不能
• 捕捉不了突变——截止到调研时间的快照
• 公开表达 ≠ 真实想法——只能基于公开信息

一个不告诉你局限在哪的Skill，不值得信任。

---

已蒸馏人物

女娲已蒸馏了14位人物 + 1个主题。每个都是独立的、可直接安装使用的Skill，全部基于 Agent Skills 协议，可在 Claude Code / Codex / Cursor / OpenClaw / Hermes 等 runtime 通用：

人物Skill

人物	领域	独立仓库	一键安装（跨 runtime）
🔥 Paul Graham	创业/写作/产品/人生哲学	paul-graham-skill	npx skills add alchaincyf/paul-graham-skill
🔥 张一鸣	产品/组织/全球化/人才	zhang-yiming-skill	npx skills add alchaincyf/zhang-yiming-skill
🔥 Karpathy	AI/工程/教育/开源	karpathy-skill	npx skills add alchaincyf/karpathy-skill
🔥 Ilya Sutskever	AI安全/scaling/研究品味	ilya-sutskever-skill	npx skills add alchaincyf/ilya-sutskever-skill
🔥 MrBeast	内容创造/YouTube方法论	mrbeast-skill	npx skills add alchaincyf/mrbeast-skill
🔥 特朗普	谈判/权力/传播/行为预判	trump-skill	npx skills add alchaincyf/trump-skill
⭐ 乔布斯	产品/设计/战略	steve-jobs-skill	npx skills add alchaincyf/steve-jobs-skill
马斯克	工程/成本/第一性原理	elon-musk-skill	npx skills add alchaincyf/elon-musk-skill
芒格	投资/多元思维/逆向思考	munger-skill	npx skills add alchaincyf/munger-skill
费曼	学习/教学/科学思维	feynman-skill	npx skills add alchaincyf/feynman-skill
纳瓦尔	财富/杠杆/人生哲学	naval-skill	npx skills add alchaincyf/naval-skill
塔勒布	风险/反脆弱/不确定性	taleb-skill	npx skills add alchaincyf/taleb-skill
张雪峰	教育选择/职业规划/阶层流动	zhangxuefeng-skill	npx skills add alchaincyf/zhangxuefeng-skill
孙宇晨	营销/注意力经济/叙事操控	仓库内examples/	复制 examples/sun-yuchen-perspective/ 到skills目录

主题Skill

主题	领域	独立仓库	一键安装（跨 runtime）
X导师	X/Twitter运营全栈	x-mentor-skill	npx skills add alchaincyf/x-mentor-skill

人物Skill蒸馏一个人的思维方式；主题Skill蒸馏一个领域的方法论。每个仓库都包含完整的调研数据和效果示例对话。

🧪 保真度评分卡：15个官方Skill已全部通过独立双agent盲测（立场一致性/风格辨识度/边缘诚实度/来源透明度/结构完整度，方法论见 references/fidelity-scorecard.md），全员A级（≥85分）。各分数：MrBeast/纳瓦尔/塔勒布/乔布斯/Karpathy/Paul Graham/张雪峰 97 · 芒格/费曼/X导师 96 · 特朗普 95 · Ilya 94 · 张一鸣 93 · 孙宇晨 91 · 马斯克 89。完整评分卡见各skill目录内的 FIDELITY.md。

想蒸馏不在列表里的人或主题？安装女娲，说「蒸馏一个XXX」就行。

---

贡献与社区

女娲的生态由社区一起长大，但走两条不同的路：

• SKILL.md 是核心资产，不接受外部PR改动。发现方法论的bug或改进点→开issue讨论，被采纳的想法由维护者实现并在commit中致谢（先例见PR #59）
• 社区蒸馏的人物skill走 COMMUNITY.md 索引：放你自己的仓库（star归你），跑一遍保真度评分卡拿到B级以上，提一行PR即可收录

完整规则见 CONTRIBUTING.md。社区已有的合集、多人格编排和主题应用，见 COMMUNITY.md。

---

达尔文.skill：让所有Skill持续进化

女娲造Skill，达尔文 让Skill进化。

受 Karpathy autoresearch 启发，达尔文.skill 用自主实验循环批量优化所有Skill：8维度评估、棘轮机制（只保留改进，自动回滚退步）、独立子agent评分。女娲的 Phase 5 双Agent精炼就内置了达尔文的评估体系，这也是女娲生成的Skill质量高的原因之一。

npx skills add alchaincyf/darwin-skill

---

工作原理

输入一个名字后，女娲做四件事：

1. 六路并行采集——著作、播客/访谈、社交媒体、批评者视角、决策记录、人生时间线，6个Agent同时跑，各自存档。

2. 三重验证提炼——一个观点要被收录为心智模型，必须：跨2+个领域出现过（不是随口一说）、能推断对新问题的立场（有预测力）、不是所有聪明人都会这么想（有排他性）。三个都过才收录。

3. 构建Skill——3-7个心智模型 + 5-10条决策启发式 + 表达DNA + 价值观与反模式 + 诚实边界，写入SKILL.md。

4. 质量验证——拿3个此人公开回答过的问题测试，方向一致才通过。再用1个他没讨论过的问题测试，Skill应该表现出适度不确定而非斩钉截铁。

完整方法论在 references/extraction-framework.md。

---

仓库结构

nuwa-skill/
├── SKILL.md                      # 女娲本体
├── references/
│   ├── extraction-framework.md   # 提炼方法论（想深入了解看这个）
│   └── skill-template.md         # 生成Skill的模板
└── examples/                          # 13个人物 + 1个主题，含完整调研数据
    ├── steve-jobs-perspective/        # ⭐ 乔布斯（含实战对话记录）
    ├── paul-graham-perspective/       # Paul Graham
    ├── zhang-yiming-perspective/      # 张一鸣
    ├── andrej-karpathy-perspective/   # Karpathy
    ├── ilya-sutskever-perspective/    # Ilya Sutskever
    ├── trump-perspective/             # 特朗普
    ├── mrbeast-perspective/           # MrBeast
    ├── elon-musk-perspective/         # 马斯克
    ├── munger-perspective/            # 查理·芒格
    ├── feynman-perspective/           # 费曼
    ├── naval-perspective/             # Naval Ravikant
    ├── taleb-perspective/             # 塔勒布
    └── x-mastery-mentor/             # X导师（主题Skill）

调研过程全透明。每个example都包含完整的调研文件，你可以看到信息怎么被收集、筛选、变成心智模型。乔布斯的示例还附带了一段完整的实战对话记录（聊AI硬件、OpenAI vs Anthropic、Apple破局），展示Skill在多轮深度对话中的表现。

---

背后的故事

同事.skill 最近在GitHub爆火——把离职同事蒸馏成AI Skill，几天破5000星。它证明了一件事：蒸馏一个人是完全可行的。

既然我们有了蒸馏人的能力，为什么只蒸馏身边的同事？去蒸馏各领域最强的人。而且幸运的是，这些人通常留下了大量可以被蒸馏的材料——著作、演讲、访谈、社交媒体。这是对自己能力的极大补充。

我之前就一直在做类似的事，但蒸馏的不是同事，是芒格、费曼、Naval、马斯克、塔勒布这些人。今天把方法论开源了。

女娲不复制人。它提取认知操作系统。

女娲（Nuwa），中国神话里用泥