从蒸馏同事来看，企业全面Agent化要沉淀的四大资源

Agent 企业沉淀 Skill AI

发布于 2026-06-09

版权声明

我们非常重视原创文章，为尊重知识产权并避免潜在的版权问题，我们在此提供文章的摘要供您初步了解。如果您想要查阅更为详尽的内容，访问作者的公众号页面获取完整文章。

查看原文：从蒸馏同事来看，企业全面Agent化要沉淀的四大资源

文章来源：

三爷茶馆

扫码关注公众号

扫码阅读

手机扫码阅读

01 什么是"蒸馏同事"？它为什么突然火了？

先给不熟悉的朋友解释一下什么叫"蒸馏同事"。

这个概念其实是从AI领域借鉴来的，它最早是用来说大模型蒸馏的。而所谓大模型蒸馏呢，它就是要把大模型的某个场景的知识压缩到一个小模型里。那么以此类推"蒸馏同事"也是类似的思路：我们把一个人在具体某个场景里散落在文档、聊天记录、工作流程里的经验，提炼成一套可复用的结构。

具体怎么操作？我们就拿colleague-skill这个开源项目来说，它的标准流程分三步：

▶ 蒸馏同事的标准流程

第一步//我们把这个同事的飞书聊天记录、工作文档、会议纪要全部打包
第二步//我们录入他的职位、职责、性格标签——急性子还是慢性子？遇见问题是喜欢直接怼还是绕弯子？
第三步//系统它会跑两套分析模板：一套提取硬性工作能力，一套提炼软性行为模式

跑完之后，产出一个完整的Skill包。以后我们团队遇到不懂的问题，直接问这个AI分身就行。

那这东西为什么会突然火了？

其实核心原因是2026年Agent框架大爆发。就像OpenClaw这些框架，它第一次让Agent不再只是"陪你聊天"，而是能真正接管电脑执行任务——读取文件、操作浏览器、跑脚本。在这种情况下，人的经验变得前所未有的重要，因为我们Agent执行任何复杂任务都需要依靠结构化的知识。

说白了，Agent再强，它也需要有人把经验喂给它。

02 蒸馏的本质，和企业Agent化一模一样

相信到这，还是有很多人会把"蒸馏同事"当成一个热闹来看。

但在我深入研究之后，我发现了一个被忽略的事实：蒸馏一个人的经验，和沉淀一个企业的Agent能力，核心是一模一样的。

想象一下，如果你们公司有100个员工，每个人都把自己的经验蒸馏成Skill，那公司本质上就拥有了一个巨大的"Agent知识库"。任何新人都可以通过调用这些Skill，快速具备老员工的执行能力。

这不就是企业全面Agent化的终极目标吗？

区别只在于：蒸馏同事是点对点的，Agent化是企业级的。

但问题是，大部分企业在推进Agent化的时候，思路完全走偏了。他们花大价钱采购Agent框架、部署模型，却不愿意在"沉淀"这件事上下笨功夫。结果呢？Agent跑起来了，发现它输出的内容飘在天上，一点都不接地气。

根源在哪？

企业没有把该沉淀的东西沉淀下来。

03 企业Agent化要沉淀的四大资源

那所以企业全面Agent化，到底要沉淀哪些东西？我总结了一套框架，一共四样，缺一不可。

资源一：提示词——不是随便一套，是能打的

很多企业一听到"提示词"三个字，觉得这不是随便写写吗？找几个懂AI的工程师，甚至让ChatGPT帮写一个，不就行了？

说实话，我见过太多企业这么干。出来的效果怎么样呢？一塌糊涂。

问题出在哪？出在他们根本没理解提示词的本质。

好的提示词不是写一次就完事的，它需要满足三个条件：

●第一，必须经过基准测试。就是你这套提示词在各种场景下反复跑过，确认它的输出是稳定的、可复用的。不是你拍脑袋写出来觉得不错就行，是要真刀真枪测出来的。

●第二，必须匹配你企业适用的模型。不同模型天然有擅长和不擅长的地方。Claude逻辑强，GPT创意强，国产某模型可能在中文理解上更胜一筹。你用同一套提示词去跑不同的模型，效果可能天差地别。

●第三，必须持续迭代。提示词不是一次性工程，它需要随着业务场景的变化不断调优。我见过一家企业，他们花了两周时间打磨出一套提示词，用了三个月觉得效果不错就束之高阁了。结果业务场景早变了，提示词还是老样子，效果能好吗？

用一个生活化的类比：提示词就像是老中医的药方。同样是治感冒，同样是《伤寒论》里的经典方子，不同的医生开出去效果完全不一样。为什么？因为老中医会根据病人的具体情况加减化裁。好的提示词，是根据你企业的具体情况反复调出来的，不是拿通用模板直接套。

???? 知识卡片：好提示词的三个标准

1. 经过基准测试，输出稳定可复用
2. 匹配企业适用的模型
3. 随业务场景持续迭代

资源二：Skill——把跑通的流程沉淀下来

什么是Skill？

简单说，Skill就是Agent的"操作手册"，告诉它遇到什么任务该怎么做。一套完整的Skill包含指令、脚本和示例，Agent在执行任务的时候会参考这个手册。

我之前给一家制造企业做咨询，他们有个很典型的场景：质检部门每天要处理大量的生产质量问题报告。以前的流程是人工阅读报告、判断严重程度、分配给对应的工程师处理。整个过程高度依赖老员工的经验——新人根本判断不准哪些问题该优先处理。

后来他们把老员工的判断逻辑沉淀成了Skill：什么样的问题属于紧急、什么样的可以缓一缓、对应什么级别的工程师、标准的处理周期是多久。这套Skill跑通之后，新员工只需要输入问题描述，Agent就能自动判断该找谁、多久处理完。

这就是Skill的价值：把成熟的流程标准化，把标准化的流程自动化。

但Skill沉淀有个关键问题：不是所有的流程都值得沉淀。我的经验是，只有那些经过验证、跑通了、且复用频率高的流程才值得沉淀成Skill。如果你沉淀了一堆没人用的Skill，那不是资产，是垃圾。

资源三：Agent模板——三分天下

第三样要沉淀的是Agent模板。

我观察到，现在企业里Agent的应用场景五花八门，但如果做一个梳理，会发现主流的Agent模板可以分为三类：

●查询类Agent：帮用户查找信息——查数据、查文档、查状态。核心能力是理解用户意图、准确定位信息、准确返回结果。

●问答类Agent：回答专业问题——客服对话、咨询类任务。核心能力是专业知识储备和精准表达。

●工作流类Agent：处理多步骤复杂任务——自动拆解、自动执行、自动交付。最高级的形态，也是最难沉淀的。

我用一个类比来解释这三者的关系：模板是地基，Skill是砖块，Prompt是设计图。

???? 知识卡片：Agent模板三分法

模板是地基——决定Agent以什么形态存在
Skill是砖块——提供具体的执行能力
Prompt是设计图——告诉Agent该怎么思考
三者缺一不可

资源四：企业知识——没有它，Agent输出永远飘在天上

最后一样，也是最重要的一样：企业知识。

我接触过很多企业，发现一个普遍的问题：他们部署了大模型，也接入了Agent框架，跑起来之后发现输出的内容"很有道理但不管用"。

比如我问Agent："我们公司项目延期的常见原因有哪些？"它给我返回了一堆教科书级别的回答：需求变更、资源不足、沟通不畅……全是正确的废话。

为什么？因为它不知道你们公司具体的项目情况。它不知道你们公司的项目延期主要是因为甲方需求反复，它不知道你们公司的资源不足主要是因为历史债务太多，它更不知道你们公司的沟通不畅主要是因为跨部门协调链条太长。

大模型再强，它也没有你公司的具体知识。

外部厂商训练模型用的数据是公开数据，它了解的是"一般意义上的项目管理"，不了解"你们公司的项目管理"。

这就像什么？就像一个名校毕业的高材生，智商130，名列前茅，但你让他去你们公司上班，他照样两眼一抹黑。他需要了解你们公司的业务、你们公司的客户、你们公司内部的"潜规则"。

这些东西从哪里来？

从企业内部来。

企业知识包括哪些？简单列一下：

●业务流程：标准操作规程、业务审批链、异常处理流程
●行业术语：你们公司内部的黑话、缩写、专有名词
●内部规范：报销标准、审批权限、考核维度
●历史案例：成功的项目为什么成功、失败的项目为什么失败

这些东西在大模型面前就是"企业共识"。没有这些共识，Agent输出的内容永远飘在天上。

04 怎么沉淀？靠AI产品运营这个新岗位

说了这么多沉淀要素，关键问题来了：企业怎么才能把这些东西真正沉淀下来？

我见过太多企业的做法是：领导拍脑袋决定，让某个部门牵头搞。结果呢？技术部门不懂业务，业务部门不懂AI，最后搞出来的东西两边都不满意。

还有的企业指望员工"义务劳动"——让员工在工作之余顺便把经验沉淀成Skill。这更是不切实际。员工本来就忙得脚不沾地，哪有时间做这个？最后要么敷衍了事，要么干脆抵触。

这些做法统统不行。

企业要真正把Agent化落地，必须从组织层面做变革。具体来说，必须至少出现一个AI产品运营的岗位。

这个岗位的职责是什么？

●第一，收集最佳实践。
AI产品运营最重要的工作，是主动发现企业内部各个角落里的最佳实践。怎么发现？核心方法是看数据。如果某个Agent或者AI应用的使用量在持续上涨，说明什么？说明它真正解决了用户的问题，用户愿意用它。

●第二，分析可复用的资产。
发现了一个使用量在持续上涨的AI应用之后，AI产品运营要做的事就是拆解它。分析这个应用里面，哪些东西是可以共性抽出来的：提示词能不能复制？流程能不能封装成Skill？问题类型能不能模板化？知识能不能结构化沉淀？

●第三，推动资产复用。
沉淀下来的资产如果躺在那里没人用，那就是死的。AI产品运营还需要做的一件事是推动复用。把分析出来的提示词模板、Skill包、Agent模板推广到其他部门，让它们真正被用起来。