Distill 蒸馏归档 Skill：为什么"聊完就忘"必须被设计掉

distill 不是一个”帮你多记一点内容”的工具，而是一个把对话结果变成长期可复用知识的归档协议。

如果把日常讨论看成原材料，那么 distill 做的事情就是：

1. 把杂乱、临时、口语化的讨论内容整理出来
2. 判断它到底属于”结论""过程”还是”习惯”
3. 放进合适的知识文档，而不是全部堆在一个地方
4. 在写入前先让人确认，避免错误知识被永久保存

对一个完全没用过知识库的人来说，可以把它理解成一套”讨论结束后的收尾机制”。

散落的对话、便签、草稿，最终流向清楚贴标签的存放位置（AI 示意图）

从第一性原理看，为什么会设计这个 Skill

1. 人类讨论天然是高噪声的

一段真实对话里通常同时混着这些东西：问题本身、尝试中的错误理解、临时方案、最终结论、使用者的偏好、后续待办。

这些内容如果不分开，时间一长就会出现两个问题：以后想找结论时要重新读一整段历史；错误尝试和最终结论混在一起，容易误用。

所以第一个原理是：原始对话不是知识，经过筛选和归类后的稳定内容才是知识。

2. 人的记忆和 AI 的上下文都有限

知识库之所以需要”蒸馏”，本质上不是为了好看，而是因为记忆资源有限。人会忘；AI 的上下文窗口有限，而且读取历史有成本；每次都从头翻旧记录，效率极低。

所以第二个原理是：长期系统不能依赖”重新阅读全部历史”来工作，必须依赖结构化沉淀。

3. 不同类型的信息，检索方式完全不同

“一个技术结论”与”这次讨论的过程”不是同一种东西。结论适合被快速复用，过程适合事后回看和追溯，用户偏好适合长期记忆。如果把它们混在一个文档里，任何一次检索都会被无关信息污染。

所以第三个原理是：知识不是越多越好，而是要按未来的使用方式来组织。

distill 的设计正是建立在这三个前提之上。

它的目的是什么

distill 的目的，不是”让文档变多”，而是让知识库具备下面 4 个能力：

1. 把一次讨论变成可复用资产——讨论本来是一次性的，蒸馏后才会变成可以反复调用的内容。
2. 降低后续检索成本——以后再问同类问题，不需要从聊天记录里翻答案，只需要去对应文档取结论。
3. 保护知识质量——它要求写入前先确认，避免把试错、误判、口语化表达直接写进知识库。
4. 让 AI 和人都能稳定复用——结构化文档既方便人读，也方便 AI 在后续任务中检索、引用和继续工作。

它背后的设计原理是什么

distill 的核心不是”总结”，而是下面 5 个设计原则。

原理一：按信息性质分仓，而不是按来源分仓。 它没有按照”今天聊了什么""谁说的”来分类，而是按照”这段内容未来怎么被用”来分类：

graph LR
    A[一次讨论] --> B{按用途分类}
    B --> C["机械设计蒸馏<br/>专业领域稳定结论"]
    B --> D["思维蒸馏<br/>方法论/认知模型"]
    B --> E["兴趣蒸馏<br/>长期值得保留的知识"]
    B --> F["学习研究日志<br/>过程/问题演变"]
    B --> G["记忆库<br/>偏好/执行规则/习惯"]

这说明它遵循的是”用途驱动分类”，不是”时间驱动分类”。

原理二：把”最终结论”和”探索过程”分离。 这是整个设计最关键的一点。很多知识库失败，不是因为没内容，而是因为过程写得太多、结论埋在过程里、回头看时分不清什么是已经验证过的。distill 明确规定：蒸馏文档只保留最终正确结论，讨论过程写入日志——相当于把”知识层”和”证据层”拆开。日常使用时只看结论，需要追溯时再看日志。

原理三：写入前确认，防止错误固化。 知识库和聊天记录最大的区别是：聊天说错了，影响通常是暂时的；知识库写错了，后续每次检索都会重复放大这个错误。所以 distill 明确要求：修改前必须先展示增删内容，未经用户确认不可写入。这不是多余步骤，而是知识系统里的质量闸门。

写入前先展示、先核对、再归档；被拒的内容单独放一边（AI 示意图）

原理四：把”内容记忆”与”行为记忆”分开。 很多系统只记”知识点”，不记”这个人做事的方式”。但在真实协作里，用户偏好同样重要，例如喜欢什么输出格式、哪些步骤必须先确认、哪些流程不要自动执行。这些信息如果不单独保存，AI 每次都要重新适应。所以 记忆库.md 的存在，代表这个系统不只管理知识，也管理协作方式。

结论性的知识和个人化的习惯偏好，被分别放在不同的架子上（AI 示意图）

原理五：每次沉淀都留下可追溯记录。 distill 不是只把结论写进去就结束，它还要求写日志。这意味着系统既追求”可复用”，也保留”可审计”。当以后出现”结论为什么会变成现在这样""当时有哪些备选方案”这类问题时，日志会非常有价值。

为什么这个设计会有效

从效果上看，distill 之所以有效，不是因为它”总结得更漂亮”，而是因为它同时解决了知识管理中最常见的 5 个失败点：

1. 它降低了信息熵——原始讨论是混乱的，蒸馏后的文档是定向的，低噪声结构才适合复用。
2. 它降低了检索成本——用户和 AI 后续找信息时不需要在全部历史里搜索，只需要到正确的文档类型里找。
3. 它降低了误用概率——“结论”和”试错过程”分开后，后续引用时更不容易把半成品当成最终答案。
4. 它让知识库可以长期扩展——固定分类把新增内容导入稳定轨道，系统可以长期增长而不至于彻底混乱。
5. 它适合人机协作——文档边界清楚、语义明确，很适合人自己回顾、AI 后续检索、AI 继续执行任务时读取上下文。

对没有用过知识库的人来说，它到底解决了什么问题

可以把它理解成下面这个转换：

flowchart TB
    subgraph N["没有 distill"]
        direction TB
        n1["聊完"] --> n2["结论留在聊天记录里"]
        n2 --> n3["过几天就忘了在哪"]
        n3 --> n4["下次遇到同类问题<br/>又要从头讲一遍"]
    end
    subgraph Y["有 distill"]
        direction TB
        y1["聊完"] --> y2["重要内容归档到固定位置"]
        y2 --> y3["结论/过程/偏好各归各位"]
        y3 --> y4["下次可以直接复用"]
    end

所以它真正解决的不是”记笔记”问题，而是：如何把一次性的交流，变成长期连续的协作能力。

怎么使用这个 Skill

对新手来说，最简单的使用方式不是研究规则，而是记住下面这个最小流程：

1. 在讨论结束时发出归档信号：直接说”把这段内容蒸馏一下""记录到文档""写入蒸馏”。
2. 让系统先整理，不要直接落库：先判断内容属于哪一类文档 → 先展示准备写入的内容 → 由你确认 → 再真正写入。
3. 只保留最终可复用内容：优先保留已确认的结论、可重复执行的方法、稳定适用的规则；尽量不要把还没验证的猜测、当场试错的细节直接当成蒸馏内容。
4. 让过程进入日志，而不是污染结论区：重要的讨论过程要保存，但应该进入学习研究日志，而不是和最终结论混写。
5. 长期坚持”讨论结束就归档”：讨论 → 提炼 → 确认 → 归档 → 下次复用，一旦这个循环建立起来，知识库才会从”文件堆”变成”可工作的系统”。

给新手的一个直观类比

如果把知识库比作厨房：聊天记录像刚买回来的食材，什么都有，但很乱；distill 像清洗、切配、分装、贴标签的流程；蒸馏文档像已经分门别类放进冰箱的食材盒；学习研究日志像当天做菜时的过程记录；记忆库像这家厨房主人的口味和做饭习惯。

散乱的食材，经过清洗分装，变成冰箱里整整齐齐的标签盒（AI 示意图）

真正让厨房高效的，不是”冰箱里东西多”，而是”东西放得对、找得到、下次还能直接用”。

想自己用？Skill 包直接拿

它需要什么：

• 一个支持 Claude Code / Codex 之类 Skill 机制的 AI 助手环境。
• 会把 SKILL.md 放进对应的 skills 目录（不同工具目录名略有差异，包里有说明）。

⬇ 下载 distill-skill.zip

包里两个文件：README.md（说明）+ SKILL.md（技能定义）。放进你的 AI 助手的 skills 目录即可生效，具体路径按你用的工具（Claude Code / Codex 等）自己的规范放。

老实说一句边界：这是一个较早期的简化版打包（只有说明+技能定义，没有安装脚本），复制文件是你自己动手的一步，不是双击就能装。

它的边界是什么

distill 很有用，但它不是什么都做。它不负责：自动判断所有知识是否真实无误、代替深度研究本身、替代完整项目管理、替代全文搜索工具。

它负责的是最后一公里：把已经讨论清楚、已经值得保留的内容，稳定地放进正确位置。

最终结论

从第一性原理看，distill 的本质不是”写文档”，而是为知识库建立一个稳定的知识沉淀机制。

它为什么存在：因为原始对话太嘈杂，不能直接当知识；因为人和 AI 的记忆都有限，不能每次从头看历史；因为不同类型的信息必须分开管理，后续才好复用。

它为什么有效：它按用途分类；它分离结论与过程；它设置确认闸门；它同时保存知识、日志和协作习惯。

它怎么用：在讨论结束时触发蒸馏；先看整理结果；确认后写入；让系统逐步积累可复用的稳定知识。

对于从未用过知识库的人来说，最重要的一句话是：

知识库不是”把东西存下来”，而是”把以后还会用到的东西，用正确的方式存下来”。