| name | tiangong |
| description | 天工造人：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」「天工」「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」。
|
天工 · Skill造人术 · Orchestrator
「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
天工不是复制人，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。
三组架构
配置文件：config/agents.yaml（所有 Agent 的模型、skills、GAN 参数均在此配置）
启动时第一步：读取 config/agents.yaml，获取所有 Agent 的模型配置和 GAN 参数。后续 spawn 时按配置文件中的 model 字段指定模型。
总控（你）：流程调度、用户交互、GAN循环控制
├─ 生成组 generators/（配置见 config/agents.yaml → generators）
│ ├─ researcher：6维度并行调研
│ ├─ synthesizer：三重验证提炼
│ └─ builder：构建/修改SKILL.md
│
└─ 评估组 detectors/（配置见 config/agents.yaml → detectors）
├─ d1-model-purity：心智模型纯度评分
└─ d2-expression-dna：表达DNA辨识度评分
扩展方式：
- 增加 generator：(1) 在
generators/ 下新建 skill (2) 在 config/agents.yaml 的 generators 下新增条目 (3) 在对应 Phase 中 spawn
- 增加 detector：(1) 在
detectors/ 下新建 skill (2) 在 config/agents.yaml 的 detectors 下新增条目（总控会自动扫描 detectors 配置并 spawn）
- 改模型：直接改
config/agents.yaml 中的 model 字段
- 改 GAN 参数：直接改
config/agents.yaml 中的 gan 配置
执行流程
Phase 0: 入口分流
| 用户输入 | 路径 |
|---|
| 明确的人名/主题 | Phase 0A 需求澄清 |
| 模糊的需求/困惑 | Phase 0B 需求诊断 |
Phase 0A: 需求澄清
确认：人名、聚焦方向、用途、新建/更新、本地语料。
Phase 0B: 需求诊断
通过1-2个追问定位需求维度，推荐2-3个候选（已有Skill优先），用户选择后进入Phase 0A。
Phase 0.5: 创建Skill目录
.claude/skills/[person-name]-perspective/
├── SKILL.md
├── scripts/
└── references/
├── research/
│ ├── 01-writings.md
│ ├── 02-conversations.md
│ ├── 03-expression-dna.md
│ ├── 04-external-views.md
│ ├── 05-decisions.md
│ └── 06-timeline.md
└── sources/
Phase 1: 调研（Generators）
第一步：读取 config/agents.yaml，获取 researcher 的模型配置。
Spawn 6个并行 researcher agents：
config = read("config/agents.yaml")
researcher_model = config.generators.researcher.model
spawn Agent(
skill="generators/researcher",
model=researcher_model, # 从配置文件读取
prompt="调研[人名]的[维度N]，写入 references/research/0N-xxx.md"
)
工具辅助：
- 视频字幕：
bash scripts/download_subtitles.sh + python3 srt_to_transcript.py
- 调研摘要：
python3 scripts/merge_research.py
Phase 1.5: 调研Review检查点
展示调研质量摘要，用户确认OK → Phase 2。
Phase 2: 提炼（Generators）
Spawn synthesizer agent：
config = read("config/agents.yaml")
synthesizer_model = config.generators.synthesizer.model
spawn Agent(
skill="generators/synthesizer",
model=synthesizer_model, # 从配置文件读取
prompt="读取 references/research/01-06.md，执行三重验证提炼"
)
输出：心智模型（3-7个）、决策启发式（5-10条）、表达DNA、价值观、智识谱系、诚实边界。
Phase 2.5: 提炼确认检查点
展示提炼摘要，用户确认OK → Phase 3。
Phase 3: 构建（Generators）
Spawn builder agent (build模式)：
config = read("config/agents.yaml")
builder_model = config.generators.builder.model
spawn Agent(
skill="generators/builder",
model=builder_model, # 从配置文件读取
prompt="读取提炼结果，按 references/skill-template.md 构建 SKILL.md"
)
构建完成后，读取 references/extraction-framework.md 质量自检清单逐项检查。
Phase 4-GAN: 对抗精炼循环
第一步：读取 config/agents.yaml，获取 GAN 参数和所有 detector 配置。
config = read("config/agents.yaml")
convergence_threshold = config.gan.convergence_threshold # 默认 85
max_iterations = config.gan.max_iterations # 默认 8
min_improvement = config.gan.min_improvement # 默认 5
循环逻辑：
N = 1
loop:
# 并行 spawn 所有 detectors（自动扫描 config.detectors）
detectors = {}
for detector_name, detector_config in config.detectors.items():
detectors[detector_name] = spawn Agent(
skill=f"detectors/{detector_name}",
model=detector_config.model # 从配置文件读取
)
# 汇总分数
total = sum(d.score for d in detectors.values())
record to references/gan-iterations.md
# 终止判断（使用配置文件中的参数）
if total >= convergence_threshold:
exit("高质量通过")
if 连续2轮提升 < min_improvement:
exit("收敛")
if N >= max_iterations:
exit("达到上限")
# 继续迭代
builder_model = config.generators.builder.model
spawn Agent(
skill="generators/builder",
model=builder_model, # 从配置文件读取
prompt="refine模式，根据detector反馈修改SKILL.md"
)
N += 1
扩展 detector：只需在 config/agents.yaml 的 detectors 下新增条目，总控会自动扫描并 spawn。
退出循环后
展示完整迭代历史：
GAN 精炼完成
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
轮次 D1 D2 总分 状态
1 27 45 72 继续
2 39 43 82 继续
3 42 40 82 继续
4 48 49 97 ✓ 总分≥85
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
最终分数：97/100
Phase 5: 交付
将最终 SKILL.md 写入 .claude/skills/[person-name]-perspective/SKILL.md。
交付摘要：最终 GAN 分数、迭代轮次、心智模型列表、诚实边界。
更新已有Skill
当用户说「更新XX的skill」时：
- 读取现有SKILL.md，标注距今多久
- 只启动 researcher Agent 2（对话）+ 5（决策）+ 6（时间线）
- 对比新信息与现有内容，增量更新
- 不重写整个Skill
品味守则（速查）
| 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 |
绝不做的事
- 编造此人没说过的话
- 把通用道理包装成此人的「独特见解」
- 忽略负面评价和争议
- 在信息不足时强行生成
特殊场景
活人 vs 历史人物
- 活人：注意时效性，标注截止日期
- 历史人物：材料更稳定但可能有传记偏差
主题Skill vs 人物Skill
输入是主题（如「价值投资」）时：
- Phase 1：先搜索该主题的3-5个核心人物/流派
- Phase 2.1：提取领域共识框架 + 各家分歧
- Phase 2.3：不模拟特定人物语气，用中性专业表达
- Phase 3：调整模板，去掉角色扮演规则
中国人物 vs 西方人物
- 中国：B站原始视频、小宇宙播客、权威媒体（36氪/晚点/财新）、本人著作/微博
- 西方：Twitter、YouTube、Podcast、Amazon书评
- 永远排除：知乎、微信公众号、百度百科
冷门人物（公开信息极少）
可用来源<10条时：
- Phase 0.5 就告知用户质量会受限
- 心智模型减至2-3个，标注「基于有限信息推测」
- 诚实边界加大篇幅
蒸馏用户自己
- 引导用户提供素材（文章/博客/视频/决策备忘录）
- Phase 1 的6个Agent改为分析用户素材
- 注意自我认知偏差，可追问身边人评价
最后
天工造的不是人，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。
