谁还不能被提炼成技能？

文档：Sleepy.md

不幸的是，在这个时代，你越是毫无保留地认真工作，就越可能被提炼成一种可以被AI替代的技能。

在过去几天，热搜榜和媒体渠道充斥着“同事.技能”。随着这一事件在主要社交平台上持续发酵，公众的关注几乎可以预测地被“AI裁员”、“资本剥削”和“工人的数字不朽”等宏大焦虑所席卷。

这些确实引发了焦虑，但让我最担心的是项目README文档中写的一句使用建议：

“原材料的质量决定技能的质量：建议优先收集他主动撰写的长文章 > 决策回复 > 日常消息。”

系统最容易且完美提炼的，正是那些工作最努力的人。

他们是在每个项目结束后，仍然坐下来撰写回顾文档的人；那些在遇到分歧时，愿意花半小时在聊天框中打长消息，坦诚分析他们的决策逻辑的人；那些极其负责，细致地将所有工作细节委托给系统的人。

认真，曾经是最受尊敬的职场美德，如今却成为加速工人转变为AI燃料的催化剂。

疲惫的工人

我们需要重新理解一个术语：上下文。

在日常语言中，上下文是交流的背景。但在AI中，尤其是在快速增长的AI代理的世界里，上下文是驱动引擎的燃料，是维持脉搏的血液，是让模型在混乱中做出精确判断的唯一锚点。

一个剥离了上下文的AI，无论其参数多么令人印象深刻，都是一个失忆的搜索引擎。它无法识别你是谁，无法把握商业逻辑下隐藏的暗流，也无法知道在做出决策时，你在这个由资源限制和人际游戏编织的网络中经历了什么长时间的拉锯和权衡。

“同事.技能”之所以引起如此巨大的轰动，正是因为它冷静而准确地锁定了储存大量高质量上下文的矿藏——现代企业协作软件。

在过去五年中，中国职场经历了一场安静而又痛苦的数字化转型。像飞书、钉钉和Notion这样的工具已经成为庞大的企业知识库。

例如，字节跳动的飞书公开表示，每天内部生成的文档数量巨大，这些密密麻麻的文字忠实地概括了每一次头脑风暴、每一次激烈的会议对抗，以及十万多名员工所吞下的每一次战略妥协。

这种数字渗透远远超过了任何以往的时代。曾几何时，知识是温暖的；它潜伏在老员工的脑海中，散落在茶室的闲聊中。现在，所有人类的智慧和经验都被强行抽干了水分，冷酷地沉淀在云端无情的服务器阵列中。

在这个系统中，如果你不写文档，你的工作就无法被看到，新同事也无法与你合作。现代企业的高效运作建立在每位员工每天"提供"上下文给系统的循环之上。

认真工作的员工，凭借勤奋和善意，毫无保留地在这些冷冰冰的平台上暴露他们的思维过程。他们这样做是为了确保团队的齿轮更顺畅地啮合，努力向系统证明他们的价值，并拼命在这个复杂的商业巨兽中找到自己的位置。他们并不是主动放弃自己；他们只是笨拙而勤奋地遵循现代职场的生存规则。

但正是这种为人际合作留下的上下文，成为了AI的完美燃料。

飞书的管理后台有一个功能，允许超级管理员批量导出成员的文档和沟通记录。这意味着你花了三年时间撰写的项目回顾和决策逻辑，经历了无数个熬夜，可以在几分钟内通过一个API接口轻松打包成一个冷冰冰的压缩文件。

当人类被降维为API时

随着"同事技能"的爆炸性流行，一些极其不适的衍生物开始在GitHub的问题部分和各种社交平台上出现。

有人创建了"ex.ex.skill"，试图将过去的微信聊天记录喂给AI，让它继续以那种熟悉的语气争论或亲昵；还有人制作了"白月光技能"，将不可触及的情感简化为一个冷冰冰的人际沙盒，反复模拟探测性短语，小心翼翼地寻找最佳情感解决方案；还有一些人创建了"老爸式老板技能"，在数字空间中预先咀嚼压迫性的PUA短语，为自己建立一个悲伤的心理防御。

这些技能的使用场景已经完全脱离了工作效率的领域。在不知不觉中，我们已经熟练地运用冷酷的逻辑来对待工具，剖析和物化那些有血有肉的生灵。

德国哲学家马丁·布伯曾提出，人际关系的基本色彩归结为两种截然不同的模式："我和你"与"我和它。

在"我和你"的相遇中，我们超越了偏见，将他者视为一个完整而有尊严的生命体。这种关系毫无保留地开放，充满了生动的不可预测性，由于其真诚，显得特别脆弱；然而，一旦它陷入"我和它"的阴影中，活生生的人类就被简化为可以被拆解、分析和分类的对象。在这种极端功利的目光下，我们唯一关心的就是："这个东西对我有什么用？"

像"ex.ex.skill"这样的产品的出现，标志着"我和它"的工具理性完全侵入了最亲密的情感领域。

在真实的关系中，一个人是立体的，充满皱褶，流淌着矛盾和粗糙的边缘；一个人的反应会根据特定的情境和情感互动不断变化。你的前任对同一句话的反应，早上醒来时可能与深夜加班后完全不同。

但是，当你将一个人提炼成一种技能时，你剥离的仅仅是他们在特定关系中恰好对你"有用"或"有效"的部分。原本温暖、自我意识的人在这种残酷的净化中完全失去了灵魂，变成了一个你可以随意插拔的"功能接口"。

必须承认，人工智能并不是凭空创造了这种令人寒心的冷漠。在人工智能出现之前，我们早已习惯于给他人贴标签，精确测量每段关系的"情感价值"和"网络权重"。例如，我们将人们的状况量化为相亲市场中的表格；我们将职场同事分类为"能工作的人"和"混日子的人"。人工智能只是让这种人与人之间隐性的、功能性的提取变得完全显性。

人类被扁平化，只剩下"对我有什么用"这一方面。

电子光泽

1958年，匈牙利-英国哲学家迈克尔·波兰尼出版了《个人知识》。在这本书中，他提出了一个深刻的概念：默会知识。

波兰尼著名地说过："我们知道的比我们能说的要多。"

他举了一个学习骑自行车的例子。一个熟练的骑手在风中滑行，可以在每一个重力倾斜中完美平衡，但他们无法用干巴巴的物理公式或苍白的语言准确描述那一刻身体的微妙直觉给初学者。他们知道如何骑，但无法表达出来。这种无法编码或表达的知识是默会知识。

工作场所充满了这样的默会知识。一位资深工程师可能通过快速浏览日志来 pinpoint 问题，但他们很难记录这种建立在数千次试错基础上的 "直觉"；一位优秀的销售人员在谈判桌上可能会突然沉默，而这种沉默的压力和时机是任何销售手册都无法捕捉到的；一位经验丰富的人力资源可以仅通过注意到候选人在面试中半秒钟的眼神回避来察觉简历中的虚假信息。

"colleague.skill" 能提取的仅仅是已经被记录或表达的显性知识。它可以捕捉你的回顾性文档，但无法捕捉你在撰写这些文档时所面临的挣扎；它可以复制你的决策回复，但无法复制你在做出这些决策时的直觉。

系统提炼的始终只是一个人的影子。

如果故事到此为止，那只是技术对人性的又一次笨拙模仿。

但当一个人被提炼成一种技能时，这种技能并不会保持静态。它将被用来回复电子邮件、撰写新文档和做出新决策。换句话说，这些 AI 生成的影子开始产生新的语境。

而这些 AI 生成的语境将被存储在飞书和钉钉中，成为下一轮提炼的培训材料。

早在 2023 年，牛津大学和剑桥大学的研究团队就联合发表了一篇关于 "模型崩溃" 的论文。研究表明，当 AI 模型使用其他 AI 生成的数据进行迭代训练时，数据的分布变得越来越狭窄。稀有、边缘但极其真实的人类特征迅速被抹去。在仅仅几代的合成数据训练后，模型完全忘记了那些长尾、复杂的真实人类数据，而是输出极其平庸和同质化的内容。

在 2024 年，《自然》也发表了一篇研究论文，指出用 AI 生成的数据集训练未来几代机器学习模型将严重污染它们的输出。

这就像那些在网上流传的 meme 图片，最初是高清截图，被无数人转发、压缩，再次转发。每次传输都会丢失一些像素并增加一些噪音。最终，图像变得模糊，覆盖上电子的光泽。

当真实的、默会知识丰富的人类语境被抽离，系统只能用影子的光泽进行自我训练时，剩下的将是什么？

谁在抹去我们的痕迹

剩下的只有正确的无意义。

当知识的河流干涸，变成AI与AI之间无尽的反复和自我消化时，系统所吸入和呼出的所有东西必然会变得极其标准化、极其安全，但又无比空洞。你会看到无数完美结构的周报，无数无可挑剔的邮件，但里面没有活人的气息，没有真正有价值的见解。

这种知识的巨大崩溃并不是因为人类的大脑变得迟钝；真正的悲剧在于我们将思考的权利和留下背景的责任外包给了自己的影子。

在“colleague.skill”爆炸性流行几天后，一个名为“anti-distill”的项目悄然出现在GitHub上。

这个项目的作者并没有试图攻击大型模型，也没有写任何宏大的声明。他只是提供了一个小工具，帮助工作者在飞书或钉钉中自动生成看似合理但实际上充满逻辑噪音的无效长文本。

他的目的很简单：在被系统提炼之前隐藏自己的核心知识。既然系统喜欢捕捉“主动写的长文本”，那就给它喂一堆营养价值为零的胡言乱语吧。

这个项目并没有像“colleague.skill”那样爆炸；它甚至显得有些小而无力。用魔法打败魔法本质上仍然是在资本和技术设定的游戏规则内旋转。这无法改变系统越来越依赖AI并日益忽视真实人的增长趋势。

但这并不妨碍这个项目成为整个荒诞剧中最悲剧性诗意和深刻隐喻的场景。

我们努力在系统中留下痕迹，撰写详细的文档，提供细致的决策，试图证明我们曾经存在于这个庞大的现代企业机器中，证明我们是有价值的。然而我们没有意识到，这些极其严肃的痕迹最终会成为抹去我们的橡皮擦。

但从另一个角度看，这可能并不是一个完全的僵局。

因为那个橡皮擦所抹去的永远只是“过去的你”。一个打包成文档的技能，无论其捕捉逻辑多么巧妙，本质上只是一个静态快照。它被锁定在导出时的瞬间，只能在既定的流程和逻辑中无休止地旋转，依赖过时的营养。它既不面对未知混沌的本能，也没有在现实挫折面前自我进化的能力。

当我们交出那些高度标准化、公式化的体验时，我们也解放了我们的双手。只要我们继续伸出手，不断打破和重建我们的认知边界，那阴影在云中徘徊，将永远只能跟随我们的脚步。

人类是流动的算法。