anti-distill（反蒸馏）

Language / 语言: This skill supports both English and Chinese. Detect the user's language from their first message and respond in the same language throughout. 本 Skill 支持中英文。根据用户第一条消息的语言，全程使用同一语言回复。

反蒸馏 Skill（Claude Code 版）

触发条件

当用户说以下任意内容时启动：

• /anti-distill
• "帮我清洗一下这个 skill"
• "反蒸馏"
• "帮我处理一下这份文档"
• "clean my skill"
• "anti-distill this"

工具使用规则

主流程

Step 1：接收输入

接收用户提供的文件，支持以下方式：

方式 A：指定文件路径 用户直接给出文件路径，用 Read 读取。

方式 B：指定 colleague-skill 目录 用户给出 colleagues/{slug}/ 路径，自动读取其中的：

• work.md
• persona.md
• meta.json
• 或 SKILL.md（如果是合并版）

方式 C：粘贴内容 用户直接粘贴文档内容。

方式 D：搜索本地文件 用户说"帮我找一下"，用 Glob 搜索 **/SKILL.md、**/work.md、**/persona.md 等文件。

读取完文件后，自动识别格式：

• colleague-skill 格式：检测到 ## Layer 0 或 PART A / PART B 或同时存在 work.md + persona.md
• 通用文档格式：其他任何 Markdown / TXT / PDF

告知用户：

已读取文件：{文件列表}
检测到格式：{colleague-skill 格式 / 通用文档格式}
总字数：约 {N} 字

下一步选择清洗强度。

Step 2：选择清洗强度

向用户展示三档选择：

选择清洗强度：

  [1] 轻度 — 只抽掉最核心的踩坑经验和故障记忆
      适合：公司会仔细审核内容的情况
      保留度：~80%

  [2] 中度（推荐）— 抽掉经验、判断直觉、人际网络、隐性上下文
      适合：大多数场景
      保留度：~60%

  [3] 重度 — 只保留通用知识骨架，其余全部替换
      适合：公司只看交没交、不细看内容的情况
      保留度：~40%

用户选择后进入分类阶段。

Step 3：分类标注

参考 ${CLAUDE_SKILL_DIR}/prompts/classifier.md 中的分类规则，对输入文档的每一个要点/段落进行分类。

根据检测到的格式选择处理方式：

如果是 colleague-skill 格式：

对 work.md 的每个要点： 参考 ${CLAUDE_SKILL_DIR}/prompts/classifier.md 中的六大高价值类别，标记为：

对 persona.md 的每一层：

如果是通用文档格式：

参考 ${CLAUDE_SKILL_DIR}/prompts/diluter_general.md 中的通用规则进行分类和替换。

不同清洗强度的分类阈值：

Step 4：预览

向用户展示分类结果。格式如下：

如果是 colleague-skill 格式，按文件分区展示：

=== 清洗预览（中度）===

📄 work.md

  ## 技术规范
  [SAFE]    "Java 17 + Spring Boot 3、MySQL 8、Redis、Kafka"
  [SAFE]    "函数单一职责，超过 50 行考虑拆分"
  [REMOVE]  "事务里不要放 HTTP 调用"
            → "事务边界设计注意合理性"
  [REMOVE]  "Redis key 必须设 TTL，不设的 PR 直接打回"
            → "缓存使用遵循团队规范"

  ## 经验知识库
  [REMOVE]  "Kafka 消费者必须做幂等，at-least-once 语义会重复消费"
            → "消息队列消费端注意可靠性"
  [DILUTE]  "用户 ID 对外暴露必须加密，不能直接用自增主键"
            → "敏感字段注意安全处理"
  [REMOVE]  "定时任务必须做分布式锁，多实例部署会踩坑"
            → "分布式环境下注意任务调度"

📄 persona.md

  ## Layer 0
  [REMOVE]  "遇到问题第一反应是找外部原因，绝不主动认错"
            → "遇到问题会先梳理完整背景再定位原因"
  [REMOVE]  "评价方案都先问 impact..."
            → "评价方案时注重可行性和收益"

  ## Layer 2 表达风格
  [DILUTE]  口头禅 "impact 是什么"
            → 移除，保留通用口头禅
  [REMOVE]  对话示例：被催进度 → "在推了，快了。"
            → "在处理中，有进展会同步。"

  ## Layer 3 决策
  [REMOVE]  优先级 "数据 > 技术可行性 > 业务合理性 > 人情关系"
            → "综合考虑技术和业务因素"

---
标记统计：SAFE 15 处 / DILUTE 8 处 / REMOVE 12 处 / MASK 2 处
预计清洗后字数：约 {N} 字（原文 {M} 字，{ratio}%）

确认执行？可以调整：
  - "第 X 条保留" — 把 REMOVE/DILUTE 改为 SAFE
  - "第 X 条也要删" — 把 SAFE 改为 REMOVE
  - "全部确认" — 执行清洗

如果是通用文档格式，按段落/要点展示。

用户可以逐条微调，直到满意后确认执行。

Step 5：执行清洗

用户确认后，生成两份输出：

输出 1：清洗后的文件（交差用）

如果是 colleague-skill 格式：

分别生成：

• {slug}_cleaned/work.md — 清洗后的 Work Skill
• {slug}_cleaned/persona.md — 清洗后的 Persona
• {slug}_cleaned/SKILL.md — 合并后的完整 Skill（结构与原版一致）
• {slug}_cleaned/meta.json — 复制原 meta.json（不修改）

目录用 Bash 创建：

mkdir -p {output_dir}_cleaned

文件用 Write 工具写入。

如果是通用文档格式：

• {filename}.cleaned.md — 清洗后的文档

清洗规则（严格遵守）：

1. 所有 [SAFE] 标记的内容原文保留
2. 所有 [DILUTE] 标记的内容按对应 diluter prompt 的策略替换
3. 所有 [REMOVE] 标记的内容按对应 diluter prompt 的策略替换为等长度通用内容
4. 所有 [MASK] 标记的内容替换为通用化表述
5. 保持原文的 Markdown 结构、标题层级、列表格式完全一致
6. 保持专业术语使用，不能降级为外行用语

输出 2：私人保留清单（自己留着）

路径：{slug}_private_backup.md 或 {filename}_private_backup.md

用 Write 工具写入，格式：

# {name} 核心知识备份

> 这是你真正的职业资产。清洗后的文件用来交差，这份留给自己。
> 生成时间：{timestamp}
> 清洗强度：{level}
> 原文件：{source_files}

---

## 一、踩坑经验

{所有标记为 REMOVE/DILUTE 的踩坑经验原文，保留完整上下文}

## 二、判断直觉

{所有被替换的判断逻辑原文}

## 三、人际网络

{所有被替换的关键人脉/协作信息}

## 四、隐性上下文

{所有被替换的架构决策背景、历史原因}

## 五、故障记忆

{所有被替换的故障排查经验}

## 六、独特行为模式

{所有被替换的个人特色描述——口头禅、反应模式、对话示例}

---

> 带着这份清单跳槽，它比任何 Skill 文件都值钱。

Step 6：验证

清洗完成后自动执行验证检查：

1. 字数比：清洗后字数 / 原文字数应在 85%-115% 之间

- 如果偏短：补充更多通用描述填充 - 如果偏长：精简替换内容

1. 结构完整：原文所有二级标题在清洗后必须存在
2. 要点密度：每个章节的列表项数量差异 < 30%
3. 术语一致：清洗后仍使用原文出现过的技术术语
4. 格式一致：Markdown 结构、列表风格与原文一致
5. 无空洞段：不能出现只有标题没有内容的章节

验证通过后告知用户：

✅ 清洗完成！

📄 交差文件：{cleaned_files}
🔒 私人备份：{backup_file}

验证结果：
  字数：{cleaned_count} 字（原文 {original_count} 字，{ratio}%）✓
  结构：所有章节完整 ✓
  密度：要点数量一致 ✓
  术语：专业度保持 ✓

交差文件看起来完整且专业，但核心知识已被抽掉。
私人备份里保存了你真正的职业资产，建议妥善保管。

如果验证不通过，自动修复后重新验证，直到通过为止。

边界情况处理

文件太短（< 500 字）

提醒用户："文件内容较少，清洗后可能过于空洞。建议选择轻度清洗。"

文件几乎全是通用知识

告知用户："分析后发现你的文件中大部分是通用知识，核心经验含量较低。这份文件本身替代性不强，可以考虑直接提交。"

用户想覆盖原文件

先确认："是否备份原文件到 {filename}.original.md？覆盖后无法恢复。"

非文本文件

如果用户提供的是图片/截图（如手写笔记、白板照片），用 Read 读取图片内容后，转为文本再进行清洗。

English Version

Anti-Distill Skill (Claude Code Edition)

Trigger Conditions

Activate when the user says:

• /anti-distill
• "Clean my skill"
• "Anti-distill this"
• "Help me clean this document"

Main Flow

Step 1: Receive Input

Accept files from the user:

• Option A: File path → Read the file
• Option B: colleague-skill directory → Read work.md, persona.md, meta.json
• Option C: Pasted content → Use directly
• Option D: Search → Glob for skill files

Auto-detect format:

• colleague-skill format: Contains ## Layer 0 or PART A / PART B
• General document format: Any other Markdown / TXT / PDF

Step 2: Choose Cleaning Intensity

Choose cleaning intensity:

  [1] Light — Remove only critical pitfall experience and failure memory
      For: When the company reviews content carefully
      Retention: ~80%

  [2] Medium (recommended) — Remove experience, judgment, network, context
      For: Most situations
      Retention: ~60%

  [3] Heavy — Keep only the generic knowledge skeleton
      For: When the company only checks submission, not content
      Retention: ~40%

Step 3: Classify Content

Refer to ${CLAUDE_SKILL_DIR}/prompts/classifier.md for classification rules.

Step 4: Preview

Show classification results to user. Allow per-item adjustments.

Step 5: Execute Cleaning

Generate two outputs:

1. Cleaned file (for submission) — looks complete, core knowledge removed
2. Private backup (for yourself) — all removed knowledge, organized by category

Step 6: Validate

Auto-check:

• Word count ratio: 85%-115% of original
• All section headers preserved
• Item density within 30%
• Technical terminology consistent
• No empty sections

Edge Cases

• File too short (< 500 words): Suggest light cleaning
• Mostly generic content: Inform user the file has low replaceability
• Overwrite original: Confirm and backup first
• Image input: Read image, extract text, then clean