今天你被“炼化”了吗？

最近这段时间，一个有点黑色幽默的项目火了——“colleague.skill”。

“colleague.skill”直译过来就是“炼化同事”。简单来说，只要把同事的聊天记录、会议纪要、代码注释、邮件往来“喂”给模型，模型就能生成一个和同事本人无比相像、随时“可调用”的“人”，能用他的逻辑写方案，用他的语气回消息，用他的风格作出决策。

随后，这鼎“炼丹炉”开始不断被复制：“炼化老板”“炼化导师”“炼化大师”……甚至连“炼化前任”都出现了。

目前，软件项目托管平台GitHub上已经出现了一批结构高度相似的项目：Persona层复刻表达风格，Work Skill层复刻工作能力，最终输出一个可以被调用的“人类接口”——人，第一次被如此直观地压缩为一个应用程序编程接口（API）。

有业界人士评价，这件事真正引发关注的不是技术本身，而是它揭示了一个令人不适的趋势：人，正在被拆分为可以被调用的模块。而职场作为最适合“炼丹”的场景，正在被拆解为一个个“skill组合”。比如，产品经理不再是一个岗位，而是一组包括用户研究、产品需求文档撰写、路线图规划、数据分析等在内的能力模块；工程师意味着这组模块同时掌握了编程语言Python、API设计、开源容器编排系统Kubernetes能力等。

“炼化”对每个职场人来说，都是一个扎心的词。而更扎心的真相是，根据科技伦理学家的研究，越是那些循规蹈矩的“打工人”，越容易被“炼化”。

“炼化”的效果取决于3个维度：其一，是否高度标准化。越是标准化的能力，越容易被提取为规则。其二，是否高度上下文化。这是因为“炼化”的原材料不是知识，而是上下文，上下文沉淀了一个人的思考方式和决策路径，当上下文足够丰富时，能力就可以被拟合。其三，是否依赖稳定的目标函数。模型最容易学习的，是“有明确评价标准”的能力，例如代码是否报错、文案是否通顺、方案是否符合格式、数据是否准确等，当标准足够清晰时，能力就可以被自动化。

不过，别急着沮丧。当“炼化”的逻辑被清晰梳理出来，我们也可以反向推导出不会被“炼化”的能力包括哪些。

比较流行的一种观点是，掌握更多“隐性知识”。

英籍哲学家迈克尔·波兰尼将知识分为两种：显性知识与隐性知识。其中，显性知识是指可以被语言、公式或图表清晰表达的内容，比如课堂上的讲解、教程中的步骤；而隐性知识则藏在经验之中，往往体现为直觉、手感等，它很难被说清，却决定了事情能不能真正做好。

比如学游泳，我们很容易查到动作要领：身体保持流线型、注意换气节奏、放松肌肉，但唯有真正下水时才会发现，水的阻力、身体的平衡、呼吸的时机，都需要在反复尝试中慢慢体会。不少设计师也有类似感受。很多时候，客户给出的指令都是模糊的，比如“我希望它看起来高级一点”。但怎么才算高级？好的设计师可能会通过细致观察与长期经验形成的直觉，达成客户目标，但这个决策过程却很难用逻辑捋清楚。

另一种比较流行的观点是，掌握不可以被直接“测量”的能力。

美国东北大学网络科学研究中心主任艾伯特-拉斯洛·巴拉巴西在其著作《巴拉巴西成功定律》中提出了一种名为“可测量能力”的概念。在他看来，许多成功都是可测量的，比如考试成绩的“可炼化度”就相当高。但也有很多成功是无法被数据化呈现的。比如，一个“看起来很有教养的人”，就一定懂艺术吗？不一定。但他对美的感知能力肯定不差。他一定是某领域的专家吗？也不一定。但他一定具备相当水平的学习能力。此时，真正决定他个人价值的是网络结构。他是知识网络的“优先连接者”，是跨界结构的枢纽，可以随时跳转连接不同的领域。而这种能力，很难被压缩为单一模块。

从某种意义上说，“炼化”的反面恰恰代表了人的价值：向外探索智力的边界，向内锻造思考的密度。当AI越来越善于复制已有答案时，真正稀缺的资源，是那些仍然愿意进入未知的人。