最近，市場上開始出現各種「把名人做成 Skill」的產品。
乍看之下，這件事很誘人。
只要把 Skill 餵給 AI，就可以跳過學習過程，直接借用專家的判斷框架與思考方式。
但我再三思考後，發現事情可能不是這回事。
◉ 這不叫蒸餾，而是知識檢索
在 AI 領域，蒸餾有很清楚的定義。
它指的是把大模型的能力壓縮到較小模型，讓模型本身變得更輕、更快，並且能在有限資源上運行，例如手機或電腦上。
在蒸餾的過程中，輸入是模型，輸出也是模型。
而現在很多人所做的，其實更接近 RAG，也就是 Retrieval-Augmented Generation。
他們沒有重新訓練模型，而是要求 AI 在你提供的資料庫、筆記、文章或文件裡找答案。
是不是很眼熟？
這就是 NotebookLM 最基本的使用方式。
我們繞了一圈，重新做了個弱化版本的 NotebookLM。
◉ 重複造輪子，還可能把能力削薄
「但這至少省了自己整理資料的時間。」
這一點沒有錯。
但問題在於，巴菲特、芒格、費雪這一類公開度極高的人物資料，早就大量存在於各大模型的訓練資料裡。
換句話說，你要問一個足夠聰明的 AI 去扮演巴菲特、復述芒格、模擬費雪，它多半本來就做得到。
我甚至實測過，讓 Grok 扮演台股大神菲比斯，根據書中的十字法去分析 Nike 近期的困境，結果完全可用。
現在的名人 Skill，可能只是把原本已經存在的能力重新打包。
而打包之後，還有一個風險。
就是資訊會被壓縮、上下文會被截斷、例外條件會被省略，最後反而把原本更完整的判斷削弱了。
你以為自己安裝了「名人的腦」，實際上拿到的可能只是「名人摘要」。
◉ 真正值得做的，是私域知識導師
當我們承認這類 Skill 多數是 RAG 而不是蒸餾之後，它真正有價值的用途就更清楚了。
它最適合的不是公開名人，而是私域知識。
如果你的知識本來就不在大模型裡，而且你也不打算公開，那麼把它整理成 Skill，價值就會大很多。
例如會員教學、內部流程、研究方法、產品 SOP、判斷規則，甚至是某個圈子裡才懂的操作語言。
這時候，Skill 扮演的不是「名人替身」，而是私域導師。
它可以回答問題、補充脈絡、協助新手理解，甚至幫你把原本很分散的知識，變成可反覆使用的系統。
這才是我認為更有意義的方向。
因為一旦你的知識已經公開，模型也學會了，這個 Skill 的護城河就會迅速變薄。
◉ 什麼情況下才值得做成 Skill
如果你真的打算做，我建議先問自己三個問題。
- 這份知識是不是模型本來就已經學過？
- 這份知識是不是只有我或我的社群才持有？
- 這份知識是不是需要反覆問答，而不是只看一次就夠？
如果三題裡面有兩題以上是否定答案，那麼這種 Skill 大概率沒有你想像中那麼有價值。
與其花時間包裝名人，不如先把自己的方法論整理乾淨。
把真正屬於你的知識，做成可問、可查、可重複使用的系統。
◉ 重點總結
- 名人 Skill 多數不是蒸餾，而是把公開資料整理成 RAG 式知識包。
- 公開度高的人物，很多 AI 本來就能直接扮演，不一定需要額外做 Skill。
- 把內容壓縮成 Skill，反而有機會削弱上下文、細節與例外條件。
- 真正有價值的 Skill，是那些承載私域知識、內部方法與會員教學的導師型工具。
- 如果知識已經公開，模型也學會了，這類 Skill 的護城河就會快速消失。
