工作模式蒸馏
让 AI 读取用户历史对话、重复提示、文档、项目和 Skill，把隐性的个人工作方式转化为可复用 Skill、指南、工作流模板和系统指令。
简介
工作模式蒸馏是《分享8个Claude Fable 5下线前必跑的超实用Prompt》中最被低估的一类 Fable 5 用法。它的目标不是让模型总结一份“我是谁”的报告，而是让模型研究用户已经发生过的真实工作痕迹：历史聊天记录、重复提示、文档、项目、Skills、工作流程、被纠正过的错误和已经验证有效的方法。最终输出应是一套可以迁移到其他模型或未来会话里的系统资产。
这类蒸馏特别适合在模型窗口期、账号迁移、从订阅制转 API 计费、或主力模型下线前执行。原因是模型会换、账号会封、上下文会丢，但用户的工作方式、错题本、常用流程和判断偏好不应该跟着消失。把这些内容提炼成 Skill、使用指南、工作流模板和给其他模型的系统指令，等于把“某个模型当时很懂我”的体验外置成文件和流程。
工作模式蒸馏与普通记忆不同。Memory 通常记录单条偏好或纠错事实；工作模式蒸馏要做跨材料归纳：识别哪些任务重复出现、哪些指令被手写了三次以上、哪些流程应该封装、哪些过去的方法被证明错误、其他模型需要知道哪些信息才能给出接近 Fable 5 的体验。它更像一次个人操作系统审计。
关键信息
- 类型：个人工作流知识工程 / Skill 生成方法
- 输入材料：历史对话、重复提示、项目文档、Skills、工作流程、记忆、失败记录
- 输出形态：Claude Skills、使用指南、工作流模板、系统指令、行为规范、错题本
- 核心目标：把隐性工作方式转成可迁移、可复用、可被其他模型读取的外部资产
- 相关概念：Skill、Fable 5、Claude Code、自我改进代理系统、提示词工程
核心特性
从“总结我”升级为“把我系统化”
普通总结会回答“我常做什么”；工作模式蒸馏要进一步回答“哪些流程应该被打包，哪些指令以后不该再手写，哪些错误以后必须避免”。文章给出的提示语明确要求输出 Claude Skills、使用指南、工作流程模板和给 Opus 的系统指令，这意味着产物应该能被未来 Agent 直接使用，而不是停留在可读报告。
以重复为信号
重复出现的任务和指令是最有价值的蒸馏对象。如果用户总是让 AI 做需求澄清、竞品分析、日报整理、代码审查、资料转写或 ingest，那么这些流程就不该继续靠临时 prompt 驱动，而应进入 Skill 或模板。文章中“哪些任务我总是重复地做”“哪些指令我总是手动重写”“哪些工作流程应该变成可重用的 Skills”三问，本质是在用重复频率识别自动化机会。
错误经验同样要蒸馏
工作模式蒸馏不仅记录成功方法，也要记录“过去做了哪些事的方法和思路是错的”。这与 自我改进代理系统 的记忆五阶段一致：失败如果只存在聊天记录里，下一次模型仍会从零试错；失败被调查、验证、蒸馏成规则后，才会变成下次执行的护栏。对个人而言，这就是“错题本”从心理记忆变成机器可读规则。
面向模型迁移
文章特别问：“Opus 应该知道什么，这样它就能给我 90% 的 Fable 5 体验？”这句话点明工作模式蒸馏的真正价值：不是迷恋某个模型，而是把模型对用户的理解迁移出来。主力模型下线、账号变化或 API 成本变化时，只要 Skill、指南、系统指令和 Memory 还在，用户就能把大部分工作体验迁移给下一个模型。
不同素材中的观点
- 2026-07-07-woshipm-fable-5-prompts-before-offline：Fable 5 在窗口期最值得做的事之一，就是研究用户自己。提示语要求遍历 Claude 历史聊天、重复提示、文档、项目、Skills 和工作流程，归纳常用任务、重复指令、可封装流程、错误方法，以及其他模型需要知道的信息。核心判断是：模型会换、账号可能消失，但用户的工作模式、错题本和对话记忆可以通过文件、Skill 和系统指令保留下来。
实用信息
推荐提问框架
遍历我可访问的历史聊天记录、重复提示、文档、项目、Skills、Memory 和工作流程。请回答：
1. 我最常使用 AI 做什么？
2. 哪些任务我重复做了 3 次以上？
3. 哪些指令我总是手动重写？
4. 哪些流程应该变成可重用 Skill？
5. 哪些过去的方法已经被证明无效或错误？
6. 新模型需要知道哪些背景、偏好、红线和工作节奏，才能接近当前体验？
请把结果转成：Skills、使用指南、工作流模板、系统指令、记忆条目候选和需要删除/合并的旧记忆。输出应包含
- 任务地图：用户最常做的 5-10 类任务。
- 重复指令清单：可升级为 Skill 或模板的 prompt。
- 错误模式清单：已验证不能再犯的做法。
- 可迁移系统指令：给新模型或子代理的行为规范。
- Skill 候选：按频率、影响、可验证性排序。
- Memory 清理建议：相似记忆合并、错误记忆废弃。
常见误区
- 只让 AI 写“用户画像”，没有生成可执行资产。
- 只蒸馏成功经验，不蒸馏失败路线。
- 把仓库已经记录的事实重复写进 Memory，造成噪音。
- 不区分项目级状态与跨项目 Skill，导致规则不可迁移。
- 不验证生成的 Skill 是否真的改变后续工作流，只停在文档层。