用 Claude Code Skill 蒸馏人物认知框架：张雪峰 Skill 的设计思路

一个人物型 Skill 的重点，不是让模型重复几句标志性口头禅，而是把一个人的判断方式拆成可执行的规则。

以张雪峰 Skill 为例，它要解决的问题是：当用户提出专业选择、考研、就业、家庭资源约束这类问题时，Claude Code 能不能按照一套稳定的分析框架给出判断，而不是只在语气上“像”。

换句话说，真正有价值的不是“说话像张雪峰”，而是：

• 会先问关键条件，而不是直接给结论；
• 会从就业结果倒推专业选择；
• 会区分不同家庭资源对应的策略；
• 会看中位数出路，而不是只拿极端成功案例说事；
• 会用明确、强判断、高密度表达给出建议。

这类 Skill 更接近一个“认知操作系统”。

Skill 的本质：把人物判断方式封装成可调用能力

在 Claude Code 里，Skill 可以理解为一组可安装、可复用的能力包。它通常由以下几部分组成：

一个普通提示词可能只有一句：

请用张雪峰的风格回答我的问题。

这种写法的问题很明显：模型容易只学到表层语气，比如短句、反问、强判断，却不知道判断背后的依据。Skill 要做的是把“为什么这么判断”写清楚。

可以把人物型 Skill 拆成四层：

flowchart TB
    A[资料层<br/>书籍、访谈、演讲、公开记录] --> B[模型层<br/>核心心智模型]
    B --> C[规则层<br/>决策启发式和判断流程]
    C --> D[表达层<br/>句式、节奏、词汇、幽默方式]
    D --> E[输出层<br/>面向具体问题生成回答]

资料层提供证据，模型层抽象判断逻辑，规则层负责让 AI 可执行，表达层控制说法，输出层才是用户看到的回答。

张雪峰 Skill 解决的不是“语录复读”

人物型 Skill 最容易做坏的地方，是把它做成语录合集。语录只能解决“像不像”的一小部分问题，不能解决“会不会分析”。

例如，用户问：

河南考生，理科 560 分，想学金融，家庭没有金融行业资源，怎么选？

浅层模仿会给出一些强烈措辞，但分析可能是散的。结构化 Skill 会先进入决策流程：

flowchart TD
    A[用户提出升学/就业问题] --> B{关键信息是否完整}
    B -- 否 --> C[追问省份、分数、专业、家庭资源、城市偏好]
    B -- 是 --> D[判断家庭资源和行业门槛]
    D --> E[查看专业中位数就业去向]
    E --> F[比较学校、城市、专业的优先级]
    F --> G[给出明确建议和风险提醒]

运行结果不是简单说“金融不好”，而是会解释为什么家庭资源、学校层次、岗位供给和就业中位数会共同影响选择。

一个更合格的回答应该类似这样：

先别急着选金融，先把几个条件摆清楚：河南理科 560 分，本科大概率不是顶尖财经院校；家里没有银行、券商、基金相关资源；毕业后还要和更高层次学校的学生竞争同一批岗位。

金融不是不能学，而是它对学校牌子、城市资源、实习机会和家庭人脉都很敏感。普通一本金融毕业生的常见去向，不是投行和基金经理，而是银行网点、销售、运营、后台岗位。

如果目标是毕业后有一门更硬的技能，计算机、电气工程、自动化这类专业更容易形成可迁移能力。金融可以作为辅修、考证或研究生阶段的方向，但本科阶段把全部筹码压上去，风险偏高。

这里的关键不在措辞，而在判断链条：

1. 先补齐上下文；
2. 再判断家庭资源；
3. 再看专业就业中位数；
4. 再比较可替代性；
5. 最后给建议。

5 个核心心智模型

张雪峰 Skill 的核心可以压缩成 5 个心智模型。它们负责回答“为什么要这样判断”。

这 5 个模型不是孤立使用的。一次专业选择咨询通常会同时触发多个模型。

例如，“家里没钱，想学艺术”这个问题，会同时触发：

• 阶层现实主义：家庭是否承担得起试错成本；
• 就业倒推法：艺术专业毕业后的常见就业路径；
• 选择大于努力：先保证生存能力，再谈长期兴趣；
• 社会筛子论：行业资源、作品集、训练成本都会筛人。

8 条决策启发式：把抽象模型变成可执行规则

心智模型太抽象，AI 直接使用时容易飘。要让 Skill 稳定输出，需要把模型进一步拆成启发式规则。

这些启发式相当于 Skill 的“决策函数”。当用户输入问题时，模型会先判断应该调用哪些规则，再组织回答。

表达 DNA：只学语气不够，但语气也要被结构化

人物型 Skill 不能只有推理规则，还需要表达层。否则回答可能逻辑正确，却完全不像目标人物。

张雪峰式表达大致有几个特征：

表达层可以写成类似规则：

## Expression Style

- 使用短句和高密度判断，避免长篇铺垫。
- 回答开始先纠正用户问题里的错误前提。
- 多用现实约束：分数、省份、家庭资源、就业中位数。
- 可以使用反问，但不能只有情绪输出。
- 每个强判断后面必须给出原因。

这里有一个重要原则：表达风格不能压过事实判断。强烈措辞只是外壳，支撑它的必须是专业、就业、城市、家庭资源等可解释因素。

一个合格回答的生成流程

当 Skill 被 Claude Code 调用时，可以按这个顺序生成答案：

sequenceDiagram
    participant U as 用户
    participant C as Claude Code
    participant S as Zhangxuefeng Skill
    participant R as 参考材料与规则

    U->>C: 提出升学/就业问题
    C->>S: 判断是否适合调用 Skill
    S->>R: 读取心智模型、启发式、表达规则
    S->>S: 检查关键信息是否缺失
    alt 信息不足
        S-->>U: 先追问关键条件
    else 信息完整
        S->>S: 调用就业倒推、家庭背景分流等规则
        S-->>U: 输出明确建议、理由和风险
    end

这套流程能避免两个问题：

1. 信息不足时强行给建议；
2. 只输出情绪化判断，没有分析过程。

安装和使用

安装 Skill：

npx skills add alchaincyf/zhangxuefeng-skill

在 Claude Code 中可以这样提问：

> 用张雪峰的分析框架评估：河南理科 560 分，想报金融，家庭没有金融行业资源。

也可以让它分析考研和职业方向：

> 本科双非，机械专业，想考研到 985，应该冲名校还是优先换专业？

> AI 发展这么快，计算机、电气、临床医学这些专业还值得选吗？

为了让输出更稳定，提问时最好提供这些信息：

一个信息完整的输入可以这样写：

> 山东物化生，预估 590 分，家庭普通，父母没有行业资源。
> 孩子想学金融，但我们更看重稳定就业。
> 希望留在省会或长三角，能接受读研。
> 用张雪峰的分析框架给出专业和城市建议。

仓库结构

这个 Skill 的仓库可以按能力、资料和示例分层管理：

zhangxuefeng-skill/
├── README.md
├── SKILL.md
├── references/
│   └── research/
│       ├── 01-writings.md
│       ├── 02-conversations.md
│       ├── 03-expression-dna.md
│       ├── 04-external-views.md
│       ├── 05-decisions.md
│       └── 06-timeline.md
└── examples/
    └── demo-conversation.md

各目录的职责要清楚：

SKILL.md 是最关键的文件。一个人物型 Skill 的 SKILL.md 通常应该包含：

# Skill Name

## When to use
定义哪些问题适合调用这个 Skill。

## Core Models
列出核心心智模型。

## Decision Heuristics
把判断方式写成可执行规则。

## Response Process
规定回答步骤：追问、分析、建议、风险提醒。

## Expression Style
描述句式、节奏、词汇和语气边界。

## Guardrails
说明不能伪造事实，不能声称代表本人，不能给超出能力范围的承诺。

## Examples
提供典型输入和输出。

女娲 Skill 的自动蒸馏流程

张雪峰 Skill 是由另一个自动化工具生成的：女娲 Skill。它的作用是把“蒸馏某个人物”这件事流程化。

安装方式：

npx skills add alchaincyf/nuwa-skill

使用方式可以很简单：

> 蒸馏一个 XXX

它背后的工作流程可以抽象成这样：

flowchart LR
    A[输入人物名称] --> B[并行调研]
    B --> C1[著作与长文本]
    B --> C2[访谈与对话]
    B --> C3[表达风格]
    B --> C4[外部评价]
    B --> C5[关键决策]
    B --> C6[人生时间线]

    C1 --> D[交叉验证]
    C2 --> D
    C3 --> D
    C4 --> D
    C5 --> D
    C6 --> D

    D --> E[提炼心智模型]
    E --> F[生成 SKILL.md]
    F --> G[测试典型问题]
    G --> H[测试边界问题]
    H --> I[输出可安装 Skill]

这个流程的价值在于并行拆解人物：

• 著作和系统表达负责提供长期观点；
• 访谈和对谈负责提供真实反应；
• 表达风格负责控制输出质感；
• 外部评价负责补充争议和盲区；
• 关键决策负责还原行为逻辑；
• 时间线负责避免把不同时期的观点混在一起。

为什么要保留“内在张力”

人物型 Skill 不能只保留一个单薄标签。比如把张雪峰概括成“毒舌升学顾问”，输出会很容易脸谱化。

更稳定的做法是把矛盾面也写进 Skill：

保留张力不是为了制造戏剧性，而是为了让 Skill 在复杂问题上不至于机械。例如，用户问“我是不是一定要按专业就业”，回答就不能只说“必须选对专业”，还要解释专业是起点，不是人生终点；但对普通家庭来说，起点选错会显著增加试错成本。

适合和不适合的使用场景

人物型 Skill 有明确边界。它适合模拟一套公开可观察的分析框架，不适合替代真实咨询或制造身份混淆。

使用这类 Skill 时，最好把它当作“一个分析视角”，而不是最终答案。

自己做人物型 Skill 的检查清单

如果要蒸馏另一个人物，可以按这个清单设计：

1. 先收集材料，不急着写提示词

资料至少覆盖几类：

- 长文本：书籍、课程、演讲稿
- 对话：访谈、播客、辩论、问答
- 决策：职业转折、争议事件、公开选择
- 外部评价：支持者、批评者、媒体分析
- 时间线：不同阶段观点是否变化

只靠短视频切片或几句爆款语录，很难做出稳定 Skill。

2. 提炼模型，而不是摘抄句子

可以用这个格式整理：

## 心智模型名称

一句话定义：
它解决什么判断问题。

触发条件：
用户问到什么问题时应该调用。

判断步骤：
1. 先看什么条件
2. 再比较什么变量
3. 最后给出什么类型的建议

常见误用：
哪些场景不能套用。

3. 把规则写成可执行流程

不要只写：

要现实一点。

应该写成：

当用户询问专业选择时：
1. 先询问省份、分数、选科、家庭资源；
2. 如果家庭没有行业资源，谨慎推荐强资源依赖专业；
3. 优先分析毕业后的中位数去向；
4. 给出 2 到 3 个替代方案，并说明各自代价。

AI 更擅长执行明确步骤，而不是理解抽象评价。

4. 给出正反测试用例

测试用例不能只放最典型问题，还要放边界问题：

5. 加上 Guardrails

人物型 Skill 很容易过度拟人化，需要明确限制：

## Guardrails

- 不要声称自己就是目标人物。
- 不要伪造目标人物说过的话。
- 不要把模拟建议包装成真实咨询结果。
- 涉及录取线、招生计划、就业数据时，提醒需要查询最新信息。
- 强烈表达必须有理由支撑，不能只输出情绪。

最容易踩的坑

把风格当能力

口头禅、短句、反问只能带来表层相似。真正决定质量的是判断规则。没有规则，回答会变成表演。

只用成功案例做判断

专业选择不能只看头部样本。金融专业不能只看基金经理，计算机不能只看大厂高薪，艺术不能只看成名艺术家。中位数结果更接近普通人的真实处境。

忽略用户条件

同一个专业，对不同家庭、城市、分数段、学校层次来说，风险完全不同。人物型 Skill 必须先追问条件，再给结论。

伪造确定性

强判断不等于乱断言。涉及录取概率、薪资水平、行业趋势时，要区分“分析框架”和“实时事实”。框架可以稳定，数据必须更新。

冒充真实人物

这类 Skill 应该明确是基于公开材料提炼出的模拟分析框架，不能让用户误以为是在和本人对话。

项目地址

https://github.com/alchaincyf/zhangxuefeng-skill

如果只想体验，可以直接安装张雪峰 Skill；如果想复用这套方法蒸馏其他人物，可以安装女娲 Skill，再按“资料收集 → 模型提炼 → 规则生成 → 示例验证 → 边界约束”的流程生成新的能力包。